CN113673034A - 一种无人机状态预测方法、装置、存储介质及电子设备 - Google Patents

Abstract

本说明书公开了一种无人机状态预测方法、装置、存储介质及电子设备，服务端将任务信息发送给无人机，根据任务信息生成状态预测模型，无人机根据任务信息生成状态预测模型。无人机在执行任务时监控自身的状态，采用状态预测模型预测目标位置，以实际位置与目标位置的差距生成校准数据并上传。服务端根据校准数据更新状态预测模型，采用最新的状态预测模型预测无人机的位置。服务端采用根据任务信息生成的状态预测模型预测无人机在执行任务时的位置。服务端在接收到校准数据时，根据校准数据更新状态预测模型，保证了服务端中状态预测模型的准确性，使无人机无法发送实际状态时，服务端采用最新的状态预测模型准确预测出无人机的位置。

Description

一种无人机状态预测方法、装置、存储介质及电子设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种无人机状态预测方法、装置、存储介质及电子设备。

背景技术

随着互联网技术的发展，无人机逐渐应用到各个领域中，例如，采用无人机进行物流配送等业务。

在现有技术中，为了保证无人机能够正常执行任务，服务器需要实时确认无人机在执行任务时的位置，因此，无人机会将自身所在的位置持续上报给服务器。

但是，在现有技术中，当无人机所处位置的通信条件受限时，无人机无法将自身所在的位置及时上传，使服务器无法获知当前时刻无人机的位置。

因此，如何在通信条件受限时，仍能准确获知无人机的位置是个亟待解决的问题。

发明内容

本说明书提供一种无人机状态预测方法装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种无人机状态预测方法，包括：

获取任务信息；

将所述任务信息发送给无人机，并，根据所述任务信息，生成状态预测模型，所述状态预测模型用于预测所述无人机在执行所述任务信息对应的任务时的各个时刻的目标位置；

接收所述无人机发送的校准数据，所述校准数据是无人机根据接收到的任务信息，生成状态预测模型，并在执行所述任务时，根据当前时刻监控到的自身的实际位置与所述状态预测模型预测出的目标位置的差异确定出并上传的；

根据所述校准数据，更新所述状态预测模型；

采用更新后的所述状态预测模型预测所述无人机的位置。

可选地，所述状态预测模型还用于预测所述无人机在执行所述任务信息对应的任务时各个时刻的速度、高度、无人机的电池电压中的至少一种。

可选地，采用更新后的所述状态预测模型预测所述无人机的位置，具体包括：

当未接收到所述无人机上传的实际位置时，采用更新后的所述状态预测模型预测所述无人机的位置，所述实际位置是所述无人机根据全球定位系统GPS确定出的。

本说明书提供了一种无人机状态预测方法，包括：

接收服务端发送的任务信息；

根据接收到的所述任务信息，生成状态预测模型，所述状态预测模型用于预测自身在执行所述任务信息对应的任务时的各个时刻的目标位置；

在执行所述任务时，通过所述状态预测模型预测当前时刻自身所在的位置，将预测出的位置作为当前时刻的目标位置，并，监控当前时刻自身的实际位置；

根据监控到的实际位置与所述状态预测模型预测出的目标位置之间的差异，确定校准数据；

向所述服务端上传所述校准数据，所述校准数据用于使无人机更新自身存储的状态预测模型，并使所述服务端更新所述服务端存储的状态预测模型，以使服务端采用更新后的状态预测模型预测所述无人机在当前时刻的位置，其中，所述服务端存储的状态预测模型是所述服务端根据所述任务信息生成的。

可选地，所述服务端根据所述任务信息生成的状态预测模型与所述无人机根据所述任务信息生成的状态预测模型相同。

可选地，监控当前时刻自身的实际位置，具体包括：

根据全球定位系统GPS，确定当前时刻自身的实际位置；

监控当前时刻自身的实际位置之后，所述方法还包括：

将监测到的当前时刻的自身的实际位置上传至所述服务端。

可选地，向所述服务端上传所述校准数据，具体包括：

当所述差异大于指定阈值时，上传所述校准数据。

本说明书提供了一种无人机状态预测装置，包括：

第一生成模块，用于获取任务信息；将所述任务信息发送给无人机，并，根据所述任务信息，生成状态预测模型，所述状态预测模型用于预测所述无人机在执行所述任务信息对应的任务时的各个时刻的目标位置；

预测模块，用于接收所述无人机发送的校准数据，所述校准数据是无人机根据接收到的任务信息，生成状态预测模型，并在执行所述任务时，根据当前时刻监控到的自身的实际位置与所述状态预测模型预测出的位置的差异确定出并上传的；根据所述校准数据，更新所述状态预测模型；采用更新后的所述状态预测模型预测所述无人机的位置。

本说明书提供了一种无人机状态预测装置，包括：

第二生成模块，用于接收服务端发送的任务信息；根据接收到的所述任务信息，生成状态预测模型，所述状态预测模型用于预测自身在执行所述任务信息对应的任务时的各个时刻的目标位置；

校准模块，用于在执行所述任务时，通过所述状态预测模型预测当前时刻自身的位置，将预测出的位置作为当前时刻的目标位置，并，监控当前时刻自身的实际位置；根据监控到的实际位置与所述状态预测模型预测出的目标位置之间的差异，确定校准数据；

上传模块，用于向所述服务端上传所述校准数据，所述校准数据用于使无人机更新自身存储的状态预测模型，并使所述服务端更新所述服务端存储的状态预测模型，以使服务端采用更新后的状态预测模型预测所述无人机在当前时刻的位置，其中，所述服务端存储的状态预测模型是所述服务端根据所述任务信息生成的。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述无人机状态预测方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述无人机状态预测方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的无人机状态预测方法中，服务端将获取到的任务信息发送给无人机，并根据任务信息生成状态预测模型，无人机根据接收到的任务信息生成状态预测模型。在无人机执行任务时，无人机监控自身的实际状态，并采用状态预测模型预测无人机的目标位置，根据实际位置与目标位置差距生成校准数据，上传给所述服务器。服务端根据接收到的无人机的校准数据，更新状态预测模型，采用更新后的状态预测模型预测无人机的位置。

从上述方法中可以看出，服务端先根据任务信息，生成状态预测模型，状态预测模型用于预测无人机在执行任务时的位置。服务端在接收到校准数据时，根据校准数据更新状态预测模型，保证了服务器自身存储的状态预测模型的准确性，从而使无人机无法发送自身的实际位置时，服务端采用更新后的状态预测模型能够准确的预测出无人机的位置。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书中一种无人机状态预测方法的流程示意图；

图2为本说明书中一种无人机状态预测方法的流程示意图；

图3为本说明书提供的一种无人机状态预测装置的示意图；

图4为本说明书提供的一种无人机状态预测装置的示意图；

图5为本说明书提供的对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中一种无人机状态预测方法的流程示意图，具体包括以下步骤：

S100：获取任务信息。

随着互联网技术的发展，机器逐渐代替人工，各个领域开始使用无人驾驶设备执行各种类型的任务，本说明书中所述的无人驾驶设备可以是指无人机、机器人、自动配送设备等能够实现自动驾驶的设备。基于此，应用本说明书提供的无人机状态预测的方法的无人驾驶设备可以用于执行配送领域的配送任务，如，使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。

本说明书所提供的无人机状态预测方法，可由对无人机进行控制的电子设备执行，例如，笔记本电脑、手机、服务器等，本说明书对此不作限制。以下仅以执行主体为服务器为例进行说明。

具体的，服务器可获取任务信息，其中，任务信息是需要无人机所执行的任务的信息，例如，服务器获取到订单配送任务，订单配送任务中的订单包含的用户的下单时间，目的地，预计送达时间等信息，就是订单配送任务的任务信息。

S102：将所述任务信息发送给无人机，并，根据所述任务信息，生成状态预测模型，所述状态预测模型用于预测所述无人机在执行所述任务信息对应的任务时的各个时刻的目标位置。

服务器可将步骤S100中获取到的任务信息发送给无人机，使无人机可根据接收到的任务信息执行与任务信息对应的任务，其中，无人机中安装有通信模块，无人机可根据自身安装的通信模块与服务器进行通信，通信方式主要采用4G/5G网络，也可以采用其他通信方式，本说明书不作限制。

与此同时，服务器可根据步骤S100获取到的任务信息中的目标位置(目的地)，以及预计送达时间，即无人机执行任务时所要飞行的距离是已知的，所需要的时长也是已知的，则服务器通过运动学公式，就可确定无人机在执行任务时所在的位置P与时间t的函数关系P(t)，将无人机在执行任务时所在的位置与时间的函数关系，作为状态预测模型。其中，状态预测模型用于预测无人机在执行与任务信息对应的任务时的各个时刻的目标位置。

服务器根据任务信息生成的状态预测模型，具体过程为，根据任务信息，预测无人机在第一时刻到达第一位置，之后，无人机在第二时刻到达第二位置且水平飞行速度为第一速度，之后，无人机以所述第一速度飞行至第三位置，当无人机到达第四位置时，无人机的水平速度为第二速度，最后，无人机到达最终位置。

服务器可将生成的状态预测模型进行存储。

S104：接收所述无人机发送的校准数据，所述校准数据是无人机根据接收到的任务信息，生成状态预测模型，并在执行所述任务时，根据当前时刻监控到的自身的实际位置与所述状态预测模型预测出的位置的差异确定出并上传的。

为了使无人机能够正常的执行任务，服务器需要实时确定无人机当前时刻的位置，因此，无人机在执行任务时会将自身的实际位置实时上传，于是，服务器可接收到无人机在执行任务时上传的自身的实际位置。

然而，若无人机在执行任务时所处的位置的通信条件受限时，无人机无法将自身的实际位置及时上传给服务器，服务器也就接收不到无人机发送的自身的实际位置。因此，本发明的核心思路是：为了使无人机无法发送自身的实际位置时，仍能获知无人机的位置，服务器可根据获取到的任务信息生成状态预测模型，并采用状态预测模型预测无人机的位置。

服务器可将任务信息发送给无人机，使无人机也根据任务信息，生成状态预测模型，其中，服务器根据任务信息生成的状态预测模型与无人机根据任务信息生成的状态预测模型是相同的。

在实际应用中，无人机的实际位置与无人机中的状态预测模型预测出的目标位置可能会存在差异，为了保证服务器采用服务器自身的状态预测模型预测出的无人机的位置的准确性，无人机可根据实际位置与目标位置的差异确定出校准数据，根据校准数据，更新无人机自身存储的状态预测模型，并将校准数据上传给服务器，使服务器可根据校准数据，更新已存储的状态预测模型。这样就能够保证服务器中的状态预测模型在各个时刻预测出的无人机的位置都是准确的。

因此，无人机不仅会发送自身的实际位置，还会发送用于校准状态预测模型的校准数据，于是，服务器既能够接收到无人机发送的实际位置，还能够接收到校准数据。

S106：根据所述校准数据，更新所述状态预测模型。

服务器在接收到无人机上传的校准数据后，可根据接收到的校准数据，更新步骤S102中生成的状态预测模型。

在更新状态预测模型时，具体的，服务器可根据接收到的校准数据，重新确定无人机在执行任务时的位置与时间的函数关系P(t)，根据更新后的无人机的位置与时间的函数关系，更新已存储的状态预测模型。

例如，在t₁时刻时，无人机中存储的状态预测模型预测出的无人机所处位置为P₁，无人机监控到自身实际所在的位置为P₂。因此，无人机可根据在t₁时刻时监控到的自身所在位置P₂与状态预测模型预测出的位置P₁的差距，即实际位置与预测出的位置的差异，确定出校准数据，即P₁-P₂＝ΔP。无人机将校准数据ΔP发送给服务器，服务器根据接收到的校准数据ΔP，更新原始状态预测模型中的位置与时间的函数关系P(t)，其中，原始状态预测模型为根据任务信息生成的状态预测模型。因此，服务器中存储的更新后的状态预测模型中的无人机的位置与时间的函数关系为P’(t)＝P(t)+ΔP。

S108：采用更新后的所述状态预测模型预测所述无人机的位置。

由步骤S104可知，服务器会接收到无人机上传的自身的实际位置与校准数据。当无人机所处位置的通信条件受限时，例如，无人机所处位置不在4G网络的覆盖范围内，此时，服务器接收不到无人机上传的任何数据，服务器与无人机失去联络，无法获知无人机当前时刻的位置。

在本说明书中，当服务器未接收到无人机上传的实际位置时，由步骤S104中说明的本说明书的核心思路可知，服务器能够采用最近更新的状态预测模型，预测无人机当前时刻所处的位置。

另外，除了上述服务器根据接收到的校准数据，更新服务器自身存储的状态预测模型以外，无人机可先根据确定出的校准数据，更新无人机自身存储的状态预测模型，之后，无人机可将更新后的状态预测模型上传给服务器，服务器将接收到的状态预测模型替换自身存储的状态预测模型(服务器根据任务信息生成的状态预测模型)，从而达到更新状态预测模型的目的。

图2为本说明书中一种无人机状态预测方法的流程示意图，具体包括以下步骤：

S200：接收服务端发送的任务信息。

本说明书提供的无人机状态预测方法，除了可以由无人机执行，还可由无人驾驶设备执行。所述无人驾驶设备可以是指机器人、自动配送设备等能够实现自动驾驶的设备。基于此，应用本说明书提供的无人机状态预测的方法的无人驾驶设备可以用于执行配送领域的配送任务，如，使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。

具体的，无人机可接收到服务器发送的任务信息，其中，无人机接收到的任务信息就是服务器在步骤S100中获取到的任务信息。

S202：根据接收到的所述任务信息，生成状态预测模型，所述状态预测模型用于预测自身在执行所述任务信息对应的任务时的各个时刻的目标位置。

无人机在接收到任务信息后，根据任务信息，生成状态预测模型。具体的，无人机根据任务信息生成状态预测模型的方法，与步骤S102中的服务器根据任务信息生成状态预测模型的方法相同。

值得注意的是，无人机根据任务信息生成的状态预测模型与服务器根据相同的任务信息生成的状态预测模型是相同的，无人机根据校准数据更新得到的状态预测模型与服务器根据相同的校准数据更新得到的状态预测模型也是相同的，即根据相同的数据，服务器与无人机分别生成的状态预测模型是相同的。

S204：在执行所述任务时，通过所述状态预测模型预测当前时刻自身的位置，将预测出的位置作为当前时刻的目标位置，并监控当前时刻自身的实际位置。

在根据任务信息生成了状态预测模型后，无人机开始执行任务。在执行任务时，无人机可监控当前时刻的自身的实际位置，同时，通过步骤S202中生成的状态预测模块预测当前自身的位置，作为当前时刻的目标位置。其中，无人机确定当前时刻自身的实际位置的方法可以是：通过全球定位系统(Global Positioning System，GPS)来确定当前时刻自身的实际位置，也可以采用其他方法确定自身的实际位置，本说明书不作限制。

无人机会将监控到的自身的实际位置实时上传给服务器。

S206：根据监控到的实际位置与所述状态预测模型预测出的目标位置之间的差异，确定校准数据。

由步骤S204可知，无人机可实时监控自身的实际位置，同时，通过状态预测模型预测当前时刻自身的位置，作为目标位置。在实际应用中，无人机在执行任务时的实际位置与状态预测模型预测出的目标位置时刻可能会存在差异，无人机可根据当前时刻的实际位置与当前时刻状态预测模型预测出的目标位置之间的差异，确定出校准数据，以便于及时调整无人机中的状态预测模型与服务器中的状态预测模型，从而确保服务器中的状态预测模型与无人机中的状态预测模型预测出的无人机的目标位置均是准确的。

S208：向所述服务器上传所述校准数据，所述校准数据用于使无人机更新状态自身存储的预测模型，并使所述服务端更新所述服务端存储的状态预测模型，以使服务端采用更新后的状态预测模型预测所述无人机在当前时刻的位置，其中，所述服务端存储的状态预测模型是所述服务端根据所述任务信息生成的。

由于服务器在未接收到的无人机发送的实际位置时，会采用状态预测模型预测当前时刻无人机的位置，为了保证状态预测模型预测出的无人机的位置的准确性，无人机可根据校准数据，更新自身存储的状态预测模型，将更新后的状态预测模型上传给服务器，服务器以接收到的无人机上传的最新的状态预测模型代替服务器自身存储的状态预测模型。

为了节省流量资源，无人机无需上传更新好的状态预测模型，无人机可向服务器上传校准数据，使服务器可根据接收到的校准数据更新自身存储的状态预测模型，使服务器能够根据更新后的状态预测模型预测无人机的位置。

从上述方法中可以看出，服务端先根据任务信息，生成状态预测模型，状态预测模型用于预测无人机在执行任务时的状态。服务端在接收到校准数据时，根据校准数据更新状态预测模型，保证了服务器自身存储的状态预测模型的准确性，从而使无人机无法发送自身的实际位置时，服务端采用更新后的状态预测模型能够准确的预测出无人机的位置。

进一步的，无人机在执行任务时实时上报给服务器会消耗大量的数据流量，为了降低流量的消耗，无人机可确定出监控到的自身在当前时刻的实际位置与状态预测模型预测出的目标位置之间的差异，当差异不大于指定阈值时，可认为：在当前时刻，服务器与无人机中存储的状态预测模型预测出的无人机的位置是准确的，因此，无人机无需确定出校准数据，无人机可只向服务器上传自身的实际位置。当差异大于指定阈值时，可认为：在当前时刻，服务器与无人机中存储的状态预测模型预测出的无人机的位置是不准确的，因此，无人机可根据确定出的差异，确定出用于校准状态预测模型的校准数据，此时，无人机不但要向服务器上传当前时刻的自身的实际位置，还要向服务器上传校准数据，使服务器根据接收到的校准数据，更新自身存储的状态预测模型，从而保证状态预测模型预测出的无人机的位置的准确性。

更进一步的，当无人机确定出的差异不大于指定阈值时，可认为：在当前时刻，服务器与无人机中存储的状态预测模型预测出的无人机的位置是准确的，无人机无需上传自身实际位置，服务器可将当前时刻自身存储的状态预测模型预测出的目标位置直接作为无人机的位置。当无人机确定出的差异大于指定阈值时，可认为：在当前时刻，服务器与无人机中存储的状态预测模型预测出的无人机的位置不准确，无人机只上传根据差异确定出的校准数据，服务器与无人机均根据校准数据更新已存储的状态预测模型，服务器可将更新后的状态预测模型预测出的目标位置直接作为无人机的位置。

本说明书中的状态预测模型除了可以用于预测无人机在执行任务时的位置，还可以用于预测无人机在执行任务时的飞行速度和高度。具体的，与步骤S102相同，服务器可根据获取到的任务信息，通过运动学公式，确定无人机在执行任务时的行驶速度v与时间t的函数关系v(t)、无人机的高度H与时间t的函数关系H(t)。

由于无人机是依赖电池工作的，服务器还可根据获取到的任务信息，通过目无人机在执行历史任务时的历史数据，确定无人机在执行任务时的电池电压与时间的函数关系并存储，其中，电池电压与时间的函数关系用于预测无人机在执行任务时的各个时刻的电池电压。

因此，状态预测模型不但能够预测无人机在执行任务时的位置，还能够预测出无人机的飞行速度、高度以及电池电压。

另外，为了无人机在执行任务时的安全，无人机还可实时监控自身的电池电压，在电池电压处于正常状态时，无人机可正常执行获取到的任务信息对应的任务，在电池电压处于异常状态时，无人机可停止执行当前任务，并且在停靠在安全的区域内，等待相关工作人员进行后续的处理工作。

更进一步的，当出现需要多个无人机同时执行任务的情况时，服务器会根据每个无人机所要执行的任务的任务信息，分别为每个无人机规划出一条安全航线，使多个无人机在执行任务时不会相互发生碰撞，并且避免与道路上的其他障碍物发生碰撞，例如，服务器可为无人机规划出一条航线，尽量避免无人机在执行任务时横穿马路的。

以上为本说明书的一个或多个实施例提供的无人机状态预测方法，基于同样的思路，本说明书还提供了相应的无人机状态预测装置，如图3所示。

图3为本说明书提供的一种无人机状态预测装置示意图，具体包括：

第一生成模块301，用于获取任务信息；将所述任务信息发送给无人机，并，根据所述任务信息，生成状态预测模型，所述状态预测模型用于预测所述无人机在执行所述任务信息对应的任务时的各个时刻的目标位置；

预测模块302，用于接收所述无人机发送的校准数据，所述校准数据是无人机根据接收到的任务信息，生成状态预测模型，并在执行所述任务时，根据当前时刻监控到的自身的实际位置与所述状态预测模型预测出的位置的差异确定出并上传的；根据所述校准数据，更新所述状态预测模型；采用更新后的所述状态预测模型预测所述无人机的位置。

可选地，所述状态预测模型还用于预测所述无人机在执行所述任务信息对应的任务时各个时刻的速度、高度、无人机的电池电压中的至少一种。

可选地，所述预测模块302具体用于，当未接收到所述无人机上传的实际位置时，采用更新后的所述状态预测模型预测所述无人机的位置，所述实际位置是所述无人机根据全球定位系统GPS确定出的。

以上为本说明书的一个或多个实施例提供的目标状态预测方法，基于同样的思路，本说明书还提供了相应的无人机状态预测装置，如图4所示。

图4为本说明书提供的一种无人机状态预测装置示意图，具体包括：

第二生成模块401，用于接收服务端发送的任务信息；根据接收到的所述任务信息，生成状态预测模型，所述状态预测模型用于预测自身在执行所述任务信息对应的任务时的各个时刻的目标位置；

校准模块402，用于在执行所述任务时，通过所述状态预测模型预测当前时刻自身的位置，将预测出的位置作为当前时刻的目标位置，并，监控当前时刻自身的实际位置；根据监控到的实际位置与所述状态预测模型预测出的目标位置之间的差异，确定校准数据；

上传模块403，用于向所述服务端上传所述校准数据，所述校准数据用于使无人机更新自身存储的状态预测模型，并使所述服务端更新所述服务端存储的状态预测模型，以使服务端采用更新后的状态预测模型预测所述无人机在当前时刻的位置，其中，所述服务端存储的状态预测模型是所述服务端根据所述任务信息生成的。

可选地，所述服务端根据所述任务信息生成的状态预测模型与所述无人机根据所述任务信息生成的状态预测模型相同。

可选地，所述校准模块402还用于，根据全球定位系统GPS，确定当前时刻自身的实际位置；监控当前时刻自身的实际位置之后，所述方法还包括：将监测到的当前时刻的自身的实际位置上传至所述服务端。

可选地，所述上传模块403具体用于，当所述差异大于指定阈值时，上传所述校准数据。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的无人机状态预测方法。

本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的无人机状态预测方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种无人机状态预测方法，其特征在于，包括：

获取任务信息；

将所述任务信息发送给无人机，并，根据所述任务信息，生成状态预测模型，所述状态预测模型用于预测所述无人机在执行所述任务信息对应的任务时的各个时刻的目标位置；

接收所述无人机发送的校准数据，所述校准数据是无人机根据接收到的任务信息，生成状态预测模型，并在执行所述任务时，根据当前时刻监控到的自身的实际位置与所述状态预测模型预测出的目标位置的差异确定出并上传的；

根据所述校准数据，更新所述状态预测模型；

采用更新后的所述状态预测模型预测所述无人机的位置。

2.如权利要求1所述的方法，其特征在于，所述状态预测模型还用于预测所述无人机在执行所述任务信息对应的任务时各个时刻的速度、高度、无人机的电池电压中的至少一种。

3.如权利要求1所述的方法，其特征在于，采用更新后的所述状态预测模型预测所述无人机的位置，具体包括：

当未接收到所述无人机上传的实际位置时，采用更新后的所述状态预测模型预测所述无人机的位置，所述实际位置是所述无人机根据全球定位系统GPS确定出的。

4.一种无人机状态预测方法，其特征在于，包括：

接收服务端发送的任务信息；

根据接收到的所述任务信息，生成状态预测模型，所述状态预测模型用于预测自身在执行所述任务信息对应的任务时的各个时刻的目标位置；

在执行所述任务时，通过所述状态预测模型预测当前时刻自身所在的位置，将预测出的位置作为当前时刻的目标位置，并，监控当前时刻自身的实际位置；

根据监控到的实际位置与所述状态预测模型预测出的目标位置之间的差异，确定校准数据；

向所述服务端上传所述校准数据，所述校准数据用于使无人机更新自身存储的状态预测模型，并使所述服务端更新所述服务端存储的状态预测模型，以使服务端采用更新后的状态预测模型预测所述无人机在当前时刻的位置，其中，所述服务端存储的状态预测模型是所述服务端根据所述任务信息生成的。

5.如权利要求4所述的方法，其特征在于，所述服务端根据所述任务信息生成的状态预测模型与所述无人机根据所述任务信息生成的状态预测模型相同。

6.如权利要求4所述的方法，其特征在于，监控当前时刻自身的实际位置，具体包括：

根据全球定位系统GPS，确定当前时刻自身的实际位置；

监控当前时刻自身的实际位置之后，所述方法还包括：

将监测到的当前时刻的自身的实际位置上传至所述服务端。

7.如权利要求4所述的方法，其特征在于，向所述服务端上传所述校准数据，具体包括：

当所述差异大于指定阈值时，上传所述校准数据。

8.一种无人机状态预测装置，其特征在于，包括：

第一生成模块，用于获取任务信息；将所述任务信息发送给无人机，并，根据所述任务信息，生成状态预测模型，所述状态预测模型用于预测所述无人机在执行所述任务信息对应的任务时的各个时刻的目标位置；

预测模块，用于接收所述无人机发送的校准数据，所述校准数据是无人机根据接收到的任务信息，生成状态预测模型，并在执行所述任务时，根据当前时刻监控到的自身的实际位置与所述状态预测模型预测出的位置的差异确定出并上传的；根据所述校准数据，更新所述状态预测模型；采用更新后的所述状态预测模型预测所述无人机的位置。

9.一种无人机状态预测装置，其特征在于，包括：

第二生成模块，用于接收服务端发送的任务信息；根据接收到的所述任务信息，生成状态预测模型，所述状态预测模型用于预测自身在执行所述任务信息对应的任务时的各个时刻的目标位置；

校准模块，用于在执行所述任务时，通过所述状态预测模型预测当前时刻自身的位置，将预测出的位置作为当前时刻的目标位置，并，监控当前时刻自身的实际位置；根据监控到的实际位置与所述状态预测模型预测出的目标位置之间的差异，确定校准数据；

上传模块，用于向所述服务端上传所述校准数据，所述校准数据用于使无人机更新自身存储的状态预测模型，并使所述服务端更新所述服务端存储的状态预测模型，以使服务端采用更新后的状态预测模型预测所述无人机在当前时刻的位置，其中，所述服务端存储的状态预测模型是所述服务端根据所述任务信息生成的。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。

11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～7任一项所述的方法。

Images