CN113485443A - 基于深度学习的无人机控制方法、存储介质及设备 - Google Patents
基于深度学习的无人机控制方法、存储介质及设备 Download PDFInfo
- Publication number
- CN113485443A CN113485443A CN202110912205.7A CN202110912205A CN113485443A CN 113485443 A CN113485443 A CN 113485443A CN 202110912205 A CN202110912205 A CN 202110912205A CN 113485443 A CN113485443 A CN 113485443A
- Authority
- CN
- China
- Prior art keywords
- flight
- deep learning
- control
- training
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 53
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000013461 design Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012938 design process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于深度学习的无人机控制方法,包括以下步骤:根据使用需求设计飞行任务;基于飞行控制算法结构,使用深度学习进行控制参数自整定,构建局部最优的飞行控制模型;将所述局部最优的飞行控制模型作为训练初值,进行深度学习训练,得到最终的基于深度学习的智能飞行控制系统模型。本发明的基于深度学习的无人机控制方法,利用深度学习方法的自适应特性,可针对同一型号无人机的不同应用场景,可使常用于多种殊异场景的消费级小型无人机获得最优匹配的控制律,并具有对不同型号、不同重量级别、甚至不同构型和不同类别(固定翼、多旋翼)无人机的自适应能力。
Description
技术领域
本发明涉及飞行控制技术领域,特别是涉及基于深度学习的无人机控制方法、存储介质及设备。
背景技术
传统飞控设计方法多以小扰动线化方法为基础,根据飞机不同状态变量响应的快慢设计从内(快变化)到外(慢)的控制回路,在单个回路上通过在选定的设计状态点上小扰动线化近似解耦,建立控制量与状态量的近似单输入单输出关系,多在PID控制器基础上,利用零极点配置等方法整定控制参数(PID参数)。存在的问题:设计状态点难以覆盖全部包线范围;不适合非线性状态;参数整定困难(单个回路设计时容易做到物理意义清晰,但多个回路嵌套时,相互作用复杂,导致最后的控制器参数也很难有明确的物理意义并因此根据问题作针对性调整),尤其是设计状态点多或控制精度要求高时;基于状态而非任务,在一些任务情形下难以最优。
现代控制理论可以处理非常规布局,各舵面/控制量与各轴状态量难以解耦的情形,以及控制精度要求高的场合。但现代控制方法多数基于状态空间,控制效果依赖于被控对象的建模精度,鲁棒性相比传统方法有明显不足。
基于任务的飞行控制设计方法,脱胎自美国1990年代引入飞行品质规范1797的基于任务的飞行品质评定方法,以及现代飞行控制系统基于飞行品质/适航设计的思想。基本方法是基于飞机设计目标,以及飞行品质规范或适航条例要求,设计可以覆盖飞机使用范围和审定需求的飞行任务集,针对每个任务,根据品质或适航要求确定控制设计要求,完成控制律设计与控制参数整定。
机器学习,尤其是基于深度神经网络的机器学习方法在2010年代的发展,给出了一种大数据处理和迭代的路径。利用其对在设计的特定飞行任务下得到的飞行数据进行处理,可以辅助人完成飞控参数整定,得到可以覆盖飞机全部飞行包线范围的控制参数库。也可以进一步直接作为具有学习能力的智能飞行控制系统(可以看作是1990年代以来各自基于神经网络的智能飞行控制方法的进一步发展)。
发明内容
为了解决现有技术存在的不足,本发明的目的在于提供一种基于深度学习的无人机控制方法、存储介质及设备,利用深度学习方法的自适应特性,可针对同一型号无人机的不同应用场景,可使常用于多种殊异场景的消费级小型无人机获得最优匹配的控制律,并具有对不同型号、不同重量级别、甚至不同构型和不同类别(固定翼、多旋翼)无人机的自适应能力。
为实现上述目的,本发明提供的一种基于深度学习的无人机控制方法,包括以下步骤:
根据使用需求设计飞行任务;
基于飞行控制算法结构,使用深度学习进行控制参数自整定,构建局部最优的飞行控制模型;
将所述局部最优的飞行控制模型作为训练初值,进行深度学习训练,得到最终的基于深度学习的智能飞行控制系统模型。
进一步地,所述根据使用需求设计飞行任务的步骤,还包括,
确定要满足的飞行要求;
确定所述飞行要求对应的飞行任务;
将所述飞行要求转为对所选飞行任务的定量指标要求,完成飞行任务设计。
进一步地,所述基于飞行控制算法结构,使用深度学习进行控制参数自整定,构建局部最优的飞行控制模型的步骤,还包括,
根据根轨迹法,按照中、快、慢的顺序,逐回路给出控制增益和滤波器参数,作为整定参数初值;
根据确定的控制参数组合进行试飞任务,并判断任务完成质量,参数组合与任务完成结果作为训练数据导入地面数据中心的深度学习网络进行训练;
使用训练结果得到新的控制参数组合,重复进行深度学习网络训练,直到得到满足设计的试飞任务要求的局部最优控制参数组合。
进一步地,所述将所述局部最优的飞行控制模型作为训练初值,进行深度学习训练,得到最终的基于深度学习的智能飞行控制系统模型的步骤,还包括,
基于训练初值和被控对象特性进行迭代,达到设计的试飞任务的要求后,输出控制设计结果。
更进一步地,所述基于训练初值和被控对象特性进行迭代的步骤,还包括,
根据传统飞机动力学建模方法建立仿真模型,使用该模型作为初始状态的被控对象;
记录真机执行试飞任务时的控制量和状态量,将试飞数据作为深度神经网络的训练输入,得到修正的数字飞机模型;
将试飞任务量化的目标、控制量和状态量作为深度学习训练的标注数据,发送到深度学习网络进行训练,得到测试版飞行控制律,以及飞机仿真模型;
根据试飞任务要求迭代更新飞行控制律和飞机仿真模型。
为实现上述目的,本发明还提供一种电子设备,包括存储器和处理器,所述存储器上储存有在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行如上文所述的基于深度学习的无人机控制方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序运行时执行如上文所述的基于深度学习的无人机控制方法的步骤。
本发明的基于深度学习的无人机控制方法,具有以下有益效果:
1)利用无人机低成本和无需考虑飞行员安全的优势,通过试飞和实际飞行获取数据,可无需进行精细动力学建模,减少了研发开支和时间;通过深度学习进行飞控参数自整定,减轻了飞控设计工作量,有利于加快飞控设计流程;通过实飞——对数据做深度学习——更新,从而实现飞控在飞机型号全寿命周期内的不断迭代优化;
2)利用深度学习方法的自适应特性,可针对同一型号无人机的不同应用场景,可使常用于多种殊异场景的消费级小型无人机获得最优匹配的控制律,并具有对不同型号、不同重量级别、甚至不同构型和不同类别(固定翼、多旋翼)无人机的自适应能力。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,并与本发明的实施例一起,用于解释本发明,并不构成对本发明的限制。在附图中:
图1为根据本发明的基于深度学习的无人机控制方法流程图;
图2为根据本发明的PID通用控制律结构示意图;
图3为根据本发明的典型根轨迹示意图;
图4为根据本发明的控制系统设计流程示意图;
图5为根据本发明的基于深度循环神经网络的通用控制律结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1
图1为根据本发明的基于深度学习的无人机控制方法流程图,下面将参考图1,对本发明的基于深度学习的无人机控制方法进行详细描述。
首先,在步骤101,根据飞行要求设计飞行任务。
优选地,飞行任务设计需要满足以下3个条件:①飞机设计目标;②飞机设计与使用需求;③飞机对应的适航标准或飞行品质标准要求或使用需求。需同时满足上述三点设计飞行任务。
本实施例中,用于作飞控设计的飞行任务,对应适航标准或飞行品质标准要求的部分。该过程实际是“确定要满足的品质规范或适航要求——>确定该要求对应的飞行任务——>将该要求转为对所选飞行任务的定量指标要求——>确定此飞行任务的细节,完成飞行任务设计”。
本实施例中,具体的飞行任务设计准则可参考如下6条(参考自美国飞行品质规范1797A中标准评估机动集的制定原则):
1)评估机动必须能反映飞机的使用情况,直接或间接地体现当前和未来飞机在实际使用中的任务内容,与实际飞行任务保持良好的使用相关性;
2)机动任务本身,设置、完成机动任务所需的各种要求、各项特定技术、以及任务的评价指标和评定方法等都应能够被明确定义,且易于实现;
3)机动任务应对某些关键参数具有适当的敏感度,若这些参数的设置改变,机动任务的典型状态参数的响应时间历程也应有明显的变化;
4)无需额外的辅助信息,无需对飞机的性能、飞行包线等进行额外的拓展,仅依靠飞机原有的设备和设置,即可控制飞机完成机动任务;
5)机动动作应涵盖全部控制幅度等级范围;
6)评估机动任务应与飞机的设计和操作使用保持紧密的联系,其试飞数据和评定结果对飞机的设计、改进和日常使用均应具有较显著的指导意义。
本实施例中,基于飞机设计要求进行飞机任务设计。例如,一架1t级无人运输机,一个针对其起降阶段特性的典型飞行任务设计如下:
一架1t级无人运输机,一个针对其起降阶段特性的典型飞行任务设计如下:
(1)任务名:偏置着陆;
(2)初始化:距离着陆点≥1610m,距离跑道中心线的横向偏差≥60m,高于以正常下滑角进场所在的位置≥60m,起落架和襟翼未放下;
(3)任务动作:①放下起落架和襟翼;②保持横向偏差,捕获下滑道,建立下滑角(3°);③下滑至距离地平面60m处,开始横向偏差,使飞机降落在跑道的中心线上;
(4)任务要求:①触地时机翼水平;②落在规定的触地区域触地;③飞机中心线不超出触地区域的宽度;④主轮在触地区域的长度之内。控制目标:①下滑角偏差在±1°内;②进近速度变化在±2m/s内;③触地区域6m×30m;④触地时没有弹起;⑤姿态角无振荡趋势)。
在步骤102,基于传统飞行控制算法结构,使用深度学习进行控制参数自整定,得到一个局部最优的飞行控制模型。
优选地,参数自整定基于如图2所示三层PID通用控制结构,包含快(滚转角速度p、俯仰角速度q和偏航角速度r三个姿态角速度)、中(滚转角φ、俯仰角θ和偏航角ψ三个姿态角)、慢(高度、速度和侧向偏差变化)三个回路,每个PID控制器均涉及3个控制增益(比例增益KP、积分增益KI和微分增益KD)及相应滤波器。
优选地,使用根轨迹法,按照中—>快—>慢的顺序,逐回路给出控制增益和滤波器参数,作为整定参数初值。
本实施例中,根轨迹法是控制设计的典型方法,基本过程如下:①建立控制参数与控制量传递函数,俯仰角速度q与升降舵的开环传递函数为设q反馈传递函数为则闭环传递函数为②根据闭环传递函数画出根轨迹,一个典型根轨迹如图3所示;③在根轨迹上取符合要求的点(该要求为一般性的控制器稳定性与操纵性要求),该点对应的值即为设计所得控制增益。针对图2所示三层控制结构,设计过程为:①针对中间层的俯仰角θ和滚转角φ,运用上述根轨迹法确定PID参数;②针对俯仰角θ和滚转角φ对应的内层,即滚转角速度p、俯仰角速度q回路,再次运用上述根轨迹法确定PID参数;③先针对中间层的偏航角ψ、再针对内层的偏航角速度r,再两次运用上述根轨迹法确定PID参数;④针对外层高度、速度和侧向偏差变化,分别运用上述根轨迹法确定PID参数。
优选地,根据确定的控制参数组合进行试飞任务(或在仿真系统上试飞该任务,实践中是少量试飞(作为深度学习中的标注数据)+海量仿真(产生深度学习中的无标注数据)结合,同时以试飞数据校准仿真模型),并判断任务完成质量(对应任务要求与控制目标)。控制参数组合与任务完成结果作为训练数据喂给地面数据中心的深度学习网络进行训练。
优选地,使用训练结果得到新的控制参数组合,重复进行深度学习网络训练,直到得到满足设计的试飞任务中规定的性能和品质要求的局部最优控制参数组合,构建得到一个局部最优的飞行控制模型。
在步骤103,根据得到的飞行控制模型作为训练初值,进行深度学习训练,得到最终的基于深度学习的智能飞行控制系统模型。
优选地,步骤103根据得到的飞行控制模型作为训练初值,进行深度学习训练,得到最终的基于深度学习的智能飞行控制系统模型,可具体执行为:
(1)如图2所示通用控制结构代入参数自整定最后得到的控制参数,即是使用深度神经网络进行迭代学习的通用控制系统初始状态。
(2)基于该初值进行迭代还需要被控对象特性。本发明中被控对象特性使用真实飞机试飞与数字飞机模型结合的方式给出。如图4所示,若飞机正在设计阶段,则基于飞机初步方案,按照传统飞机动力学建模方法建立仿真模型,使用该模型作为初始状态的被控对象;待飞机可真机试飞时,要求真机执行设计的试飞任务,并记录试飞过程中的控制量[δ]和状态量X;将试飞数据作为深度神经网络的训练输入,以传统动力学建模方法建立的模型为初值,进行参数辨识,从而得到修正的数字飞机模型,以用于通用控制系统训练。
(3)将试飞任务量化的目标、控制量[δ]和状态量X作为深度学习训练的标注数据,喂给深度学习网络进行训练,训练在地面数据中心进行,训练得到beta版飞行控制律,以及飞机仿真模型。
(4)将训练后的beta版飞行控制律烧入作为无人机飞控计算机的深度神经网络推理芯片。
本实施例中,重复上述(2)~(4)步(即图4中的迭代改进),反复更新推理芯片中的控制律和数字飞机模型,达到设计的试飞任务中规定的最优性能和品质要求后,输出第一版可发行的控制设计结果。
(5)在深度学习辨识得到的飞机仿真模型稳定后,以该模型取代真实飞机,在地面仿真平台上进行无人机飞行任务仿真,作为主要的训练数据生成方式得到海量的无标注数据,进行高强度控制律训练,同时无人机可进入后续的取证试飞及飞行运营,飞行数据也作为训练数据(新标注数据)训练神经网络和更新飞机仿真模型(如图4最右)。
(6)重复步骤(5)至无人机生命周期结束。
本实施例中,数字飞机参数辨识使用的深度神经网络为RNN(Recursive NeuralNetwork,递归神经网络)模型,通用飞控系统训练使用多层LSTM(Long Short Term,长短期记忆神经网络)模型,两模型均使用开放的通用深度学习框架PyTorch搭建。
本实施例中,基于深度循环神经网络的自适应智能控制器控制结构如图5,该结构与传统飞控系统基本一致,区别在于以一个深度神经网络推理芯片组取代了传统飞控系统的飞控计算机,芯片内也没有传统飞控系统的多层控制律结构,代之以经过地面数据中心深度神经网络训练器训练的多层LSTM。实际飞行任务信息以与飞行任务设计的试飞任务信息相同的方式组织,作为目标输入;传感器采集的飞行状态信息以与训练时的状态量X相同的方式组织,作为反馈输入;由经步骤(1)~(6)训练好的多层LSTM进行解算,得到控制输出量[δ],完成飞控功能。
本发明提出一种基于深度学习的无人机全寿命周期全包线飞行控制系统设计方法。基于飞行任务提取深度神经网络控制器的代价函数,以通用三回路PID控制器作为计算初值训练神经网络,训练系统由地面数据中心进行,安装于无人机上的推理芯片执行控制律解算,输入飞行参数,输出控制指令控制无人机。每次飞行的数据均返回训练系统,从而在加入系统的无人机的飞行次数的增加不断提升推理器的控制律解算能力。根据飞机设计目标与适航要求,提炼出涵盖全部包线和任务范围的飞行任务;针对这些任务,通过反复试飞结合试飞过程中的飞控参数在线调整,以飞控参数为输入、飞行质量(包括能耗和飞行品质指标两组)为输出,得到若干组训练数据;这些数据输入深度学习程序,计算得到飞机全包线最优飞控参数库。也可直接跳过飞行控制结构设计,有深度神经网络直接完成飞机建模工作,并利用其深度学习能力,通过大数据训练(试飞+仿真)训练建立智能控制律。无人机投入使用后,每次的飞行数据也经同样处理后作为训练数据,输入深度学习程序求解新的最优飞控参数库。
本发明的一个实施例中,还提供一种电子设备,包括存储器和处理器,所述存储器上储存有在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行如上文所述的基于深度学习的无人机控制方法的步骤。
本发明的一个实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序运行时执行如上文所述的基于深度学习的无人机控制方法的步骤。
本领域普通技术人员可以理解:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于深度学习的无人机控制方法,其特征在于,包括以下步骤:
根据使用需求设计飞行任务;
基于飞行控制算法结构,使用深度学习进行控制参数自整定,构建局部最优的飞行控制模型;
将所述局部最优的飞行控制模型作为训练初值,进行深度学习训练,得到最终的基于深度学习的智能飞行控制系统模型。
2.根据权利要求1所述的基于深度学习的无人机控制方法,其特征在于,所述根据使用需求设计飞行任务的步骤,还包括,
确定要满足的飞行要求;
确定所述飞行要求对应的飞行任务;
将所述飞行要求转为对所选飞行任务的定量指标要求,完成飞行任务设计。
3.根据权利要求1所述的基于深度学习的无人机控制方法,其特征在于,所述基于飞行控制算法结构,使用深度学习进行控制参数自整定,构建局部最优的飞行控制模型的步骤,还包括,
根据根轨迹法,按照中、快、慢的顺序,逐回路给出控制增益和滤波器参数,作为整定参数初值;
根据确定的控制参数组合进行试飞任务,并判断任务完成质量,参数组合与任务完成结果作为训练数据导入地面数据中心的深度学习网络进行训练;
使用训练结果得到新的控制参数组合,重复进行深度学习网络训练,直到得到满足设计的试飞任务要求的局部最优控制参数组合。
4.根据权利要求1所述的基于深度学习的无人机控制方法,其特征在于,所述将所述局部最优的飞行控制模型作为训练初值,进行深度学习训练,得到最终的基于深度学习的智能飞行控制系统模型的步骤,还包括,
基于训练初值和被控对象特性进行迭代,达到设计的试飞任务的要求后,输出控制设计结果。
5.根据权利要求4所述的基于深度学习的无人机控制方法,其特征在于,所述基于训练初值和被控对象特性进行迭代的步骤,还包括,
根据传统飞机动力学建模方法建立仿真模型,使用该模型作为初始状态的被控对象;
记录真机执行试飞任务时的控制量和状态量,将试飞数据作为深度神经网络的训练输入,得到修正的数字飞机模型;
将试飞任务量化的目标、控制量和状态量作为深度学习训练的标注数据,发送到深度学习网络进行训练,得到测试版飞行控制律,以及飞机仿真模型;
根据试飞任务要求迭代更新飞行控制律和飞机仿真模型。
6.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上储存有在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行权利要求1至5任一项所述的基于深度学习的无人机控制方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序运行时执行权利要求1至5任一项所述的基于深度学习的无人机控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110912205.7A CN113485443B (zh) | 2021-08-10 | 2021-08-10 | 基于深度学习的无人机控制方法、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110912205.7A CN113485443B (zh) | 2021-08-10 | 2021-08-10 | 基于深度学习的无人机控制方法、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113485443A true CN113485443A (zh) | 2021-10-08 |
CN113485443B CN113485443B (zh) | 2023-12-22 |
Family
ID=77944804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110912205.7A Active CN113485443B (zh) | 2021-08-10 | 2021-08-10 | 基于深度学习的无人机控制方法、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113485443B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761671A (zh) * | 2021-11-11 | 2021-12-07 | 西安羚控电子科技有限公司 | 一种固定翼无人机动力学仿真模型校准方法及系统 |
CN114326438A (zh) * | 2021-12-30 | 2022-04-12 | 北京理工大学 | 基于控制障碍函数的安全强化学习四旋翼控制系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331085A (zh) * | 2014-11-03 | 2015-02-04 | 东华大学 | 一种基于pid神经网络的无人机控制方法 |
CN106483850A (zh) * | 2016-11-23 | 2017-03-08 | 沈阳航天新光集团有限公司 | 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法 |
CN107479368A (zh) * | 2017-06-30 | 2017-12-15 | 北京百度网讯科技有限公司 | 一种基于人工智能的训练无人机控制模型的方法及系统 |
US20190196417A1 (en) * | 2017-12-26 | 2019-06-27 | Fanuc Corporation | Controller and machine learning device |
CN110806756A (zh) * | 2019-09-10 | 2020-02-18 | 西北工业大学 | 基于ddpg的无人机自主引导控制方法 |
CN110879602A (zh) * | 2019-12-06 | 2020-03-13 | 安阳全丰航空植保科技股份有限公司 | 基于深度学习的无人机控制律参数调节方法及系统 |
-
2021
- 2021-08-10 CN CN202110912205.7A patent/CN113485443B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331085A (zh) * | 2014-11-03 | 2015-02-04 | 东华大学 | 一种基于pid神经网络的无人机控制方法 |
CN106483850A (zh) * | 2016-11-23 | 2017-03-08 | 沈阳航天新光集团有限公司 | 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法 |
CN107479368A (zh) * | 2017-06-30 | 2017-12-15 | 北京百度网讯科技有限公司 | 一种基于人工智能的训练无人机控制模型的方法及系统 |
US20190004518A1 (en) * | 2017-06-30 | 2019-01-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and system for training unmanned aerial vehicle control model based on artificial intelligence |
US20190196417A1 (en) * | 2017-12-26 | 2019-06-27 | Fanuc Corporation | Controller and machine learning device |
CN110806756A (zh) * | 2019-09-10 | 2020-02-18 | 西北工业大学 | 基于ddpg的无人机自主引导控制方法 |
CN110879602A (zh) * | 2019-12-06 | 2020-03-13 | 安阳全丰航空植保科技股份有限公司 | 基于深度学习的无人机控制律参数调节方法及系统 |
Non-Patent Citations (4)
Title |
---|
戴永伟;钱志娟;董茂科;: "基于神经网络的无人机飞行智能控制技术研究", 数字技术与应用, no. 07, pages 10 * |
谢文光, 等: "一种面向多无人机协同编队控制的改进深度神经网络方法", 《西北工业大学学报》, vol. 38, no. 2, pages 296 - 302 * |
谢文光;吴康;阎芳;史豪斌;张啸晨;: "一种面向多无人机协同编队控制的改进深度神经网络方法", 西北工业大学学报, no. 02, pages 72 - 79 * |
贝超, 李芸, 林维菘: "一种基于神经网络的飞行控制律设计方法", 现代防御技术, vol. 26, no. 05, pages 32 - 37 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761671A (zh) * | 2021-11-11 | 2021-12-07 | 西安羚控电子科技有限公司 | 一种固定翼无人机动力学仿真模型校准方法及系统 |
CN113761671B (zh) * | 2021-11-11 | 2022-03-22 | 西安羚控电子科技有限公司 | 一种固定翼无人机动力学仿真模型校准方法及系统 |
CN114326438A (zh) * | 2021-12-30 | 2022-04-12 | 北京理工大学 | 基于控制障碍函数的安全强化学习四旋翼控制系统及方法 |
CN114326438B (zh) * | 2021-12-30 | 2023-12-19 | 北京理工大学 | 基于控制障碍函数的安全强化学习四旋翼控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113485443B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110806759B (zh) | 一种基于深度强化学习的飞行器航线跟踪方法 | |
CN112162564B (zh) | 基于模仿学习和强化学习算法的无人机飞行控制方法 | |
CN103885450B (zh) | 无人直升机姿态非线性控制方法及验证平台 | |
Hu et al. | Fuzzy controller design of micro-unmanned helicopter relying on improved genetic optimization algorithm | |
CN100591900C (zh) | 具有三个控制环设计的飞行控制系统 | |
CN109696830B (zh) | 小型无人直升机的强化学习自适应控制方法 | |
Brandon et al. | Real-time onboard global nonlinear aerodynamic modeling from flight data | |
CN108897334B (zh) | 一种基于模糊神经网络的仿昆虫扑翼飞行器姿态控制方法 | |
CN108445766A (zh) | 基于rpd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法 | |
CN113485443A (zh) | 基于深度学习的无人机控制方法、存储介质及设备 | |
Takarics et al. | Active flutter mitigation testing on the FLEXOP demonstrator aircraft | |
CN111353256A (zh) | 航空电子设备中的机器学习 | |
Oroumieh et al. | Aircraft design cycle time reduction using artificial intelligence | |
Norouzi et al. | Real time estimation of impaired aircraft flight envelope using feedforward neural networks | |
Kumar et al. | Rotorcraft parameter estimation using radial basis function neural network | |
Kose et al. | Simultaneous design of morphing hexarotor and autopilot system by using deep neural network and SPSA | |
CN114237268A (zh) | 一种基于深度强化学习的无人机强鲁棒姿态控制方法 | |
CN113093568A (zh) | 基于长短时记忆网络的飞机自动驾驶操作模拟方法 | |
Akhtar et al. | Positioning algorithm for autonomous thermal soaring | |
CN114003052B (zh) | 一种基于动态补偿系统的固定翼无人机纵向运动鲁棒自适应控制方法 | |
Toffol | Aero-servo-elastic optimization in conceptual and preliminary design | |
CN112925344B (zh) | 基于数据驱动和机器学习的无人机飞行工况预测方法 | |
Juang et al. | Intelligent automatic landing system using time delay neural network controller | |
Stein et al. | A design procedure and handling quality criteria for lateral directional flight control systems | |
Juang et al. | INTELLIGENT COMPUTATION AND DSP-BASED LANDING CONTROL |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220112 Address after: 100190 inside 37 Xueyuan Road, Haidian District, Beijing Applicant after: Beijing northern sky long hawk UAV Technology Co.,Ltd. Address before: Room 201, floor 2, block C, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100086 Applicant before: Beijing Yushi Hangtong Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |