CN115047894B - 一种无人机轨迹测算方法、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种无人机轨迹测算方法、计算机设备及存储介质，包括获取无人机的轨迹点数据且将所述轨迹点数据进行向量化处理集合O；将O输入到卡尔曼滤波模型，得到集合Z，基于O与Z得到相似度列表D；遍历D，得到目标特征向量集合Q，进行归一化处理得到关键特征向量集合Q’；初始化神经网络模型；根据Q’获取训练样本T；输入T到神经网络模型，获取f()中的参数；获取测试样本L和测试样本H；输入L到神经网络模型，优化f()中的n个参数；输入H到神经网络模型得到最终特征向量Q”，并对Q”进行反归一化处理，得到预测的轨迹点数据Q”’。本申请减少了无人机轨迹预测的误差，使用户可以更加精准的判断无人机即将抵达的位置。

Description

一种无人机轨迹测算方法、电子设备及存储介质

技术领域

本发明涉及无人机轨迹预测领域，特别是涉及一种无人机轨迹测算方法、计算机设备及存储介质。

背景技术

目前，随着社会的发展，和科技的不断进步，其中无人机技术也已经在各个领域得到广泛的应用，在不同的方面都体现出了无人机不可替代的作用。为了更加有效的控制无人机，和了解无人机的行为。需要对无人机的行为，对无人机的飞行轨迹进行预测，以便于更加有效的，实时的了解无人机的飞行状态以便于更加有效地控制无人机。以免发生一些意想不到的问题。现有技术中大多是基于4d航迹预测法和新陈代谢gm(1,1)模型预测的有模预测和基于卡尔曼滤波或神经网络等的无参数估计方法。

上述现有技术中还存在的问题为：模块算法过于复杂，空间复杂度和时间复杂度要求都很高，不适合计算大量的数据；在无人机的某些复杂的飞行环境之下并不能够进行准确的预测。

发明内容

为了至少解决现有技术的问题之一，本发明提供的技术方案包括：

本发明实施例提供一种无人机轨迹测算方法，其步骤为：

S100、获取无人机的轨迹点数据且将所述轨迹点数据进行向量化处理，得到第一特征向量集合O＝{O₁，O₂，...，O_k}，其中O_i为第i时间节点对应的轨迹点的第一特征向量，i＝1，2，...，k；

S200、将O输入到卡尔曼滤波模型，获取到第二特征向量集合Z＝{Z₁，Z₂，...，Z_k}，其中，Z_i为O_i对应的第二特征向量；并基于O_i与Z_i得到相似度值D_i，构建成相似度值列表D＝{D₁，D₂，...，D_k}；

S300、遍历相似度列表D，且当D_i≥D₀时，将Z_i作为目标特征向量Q_i，当D_i<D₀时，将O_i作为目标特征向量Q_i，得到目标特征向量集合Q＝{Q₁，Q₂，...，Q_k}，并根据Q_i进行归一化处理得到Q’_i，基于Q’_i获取关键特征向量集合Q’＝{Q’₁，Q’₂，...，Q’_k}，Q’_i为第i时间节点对应的轨迹点的关键特征向量；

S400、初始化神经网络模型；

S500、根据Q’获取个训练样本/>其中，T_g＝(Q’_g,Q’_g+1,......,Q’_g+n-1)，g的取值范围1到/>k为Q’中关键特征向量的数量，a为训练函数f()中预设的训练样本占训练样本和测试样本的比例，n为预设的f()的参数数量；

S600、输入T到神经网络模型，获取f()中的参数；

S700、基于Q’获取个测试样本，包括测试样本L＝(L₁，L₂，...，和测试样本/>其中，/> m的取值范围1到/> c的取值范围1到/> b为映射关系函数f()中预设的训练样本占训练样本和测试样本的比例，b＝1-a；

S800，输入L到神经网络模型，优化f()中的n个参数；

S900，输入H到神经网络模型得到形成最终特征向量并对Q”进行反归一化处理，得到预测的轨迹点数据Q”’。

本发明能够实现的技术效果至少包括：通过卡尔曼滤波模型预测得到的预测向量Z_k和采集到的观测向量O_k之间的相似度值D_k与1到k-1时刻历史轨迹数据向量的均值的比较，使进入神经网络模型训练的数据更加准确，这样使训练得出的预测函数的参数更加准确，减少了无人机轨迹预测的误差，使用户可以更加精准的判断无人机即将抵达的位置。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种无人机轨迹测算方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。

本发明提供一种无人机轨迹测算方法，具体的如图1所示，所述方法可以包括如下步骤：

S100，获取无人机轨迹点数据且将所述轨迹点数据进行向量化处理，得到第一特征向量集合O＝{O₁，O₂，...，O_k}，其中O_i为第i时间节点对应的轨迹点的第一特征向量，i＝1，2，...，k，k为轨迹点数量。

优选地，所述无人机为无人机。

在一个实施例中，具体的，所述无人机轨迹点数据通过地面监视系统进行采集，本领域技术人员知晓，现有技术中的任何地面监视系统采集无人机轨迹点数据的方法均属于本发明的保护范围。

进一步地，所述地面监视系统采集的无人机轨迹点数据包括无人机的位置和速度。进一步的，所述地面监视系统采集的无人机轨迹点数据还包括无人机的飞行姿态和相应空域环境。

进一步地，O_i＝(O_i ¹,O_i ²,......,O_i ⁿ)，其中，O_i ^j∈轨迹点数据集合，j＝1，2，...，n，n为第一特征向量所包含的维度数量。

根据本发明的第一实施方式，所述轨迹点数据集合为{X_i，Y_i，H_i，V_i，VX_i，VY_i，VZ_i}，X_i为第i时间节点时，无人机地理位置的经度坐标；Y_i为第i时间节点时，无人机地理位置的纬度坐标；H_i为第i时间节点时，无人机地理位置的高度；V_i为第i时间节点时，无人机的速率；VX_i为第i时间节点时，无人机的速度方向与纬度方向的夹角；VY_i为第i时间节点时，无人机的速度方向与经度方向的夹角；VZ_i为第i时间节点时，无人机的速度方向与高度方向的夹角。

根据本发明的第二实施方式，所述轨迹点数据集合还包括ɑ_i、β_i、λ_i，其中，ɑ_i为第i时间节点时，无人机的航向角；β_i为第i时间节点时，无人机的俯仰角；λ_i为第i时间节点时，无人机的横滚角。

根据本发明的第三实施方式，所述轨迹点数据集合还包括VW_i、WX_i、WY_i、WZ_i。其中，VW_i为第i时间节点时，无人机所处环境的风速；WX_i、WY_i、WZ_i分别为风速方向与纬度、经度和高度方向的夹角。

其中，第三实施例轨迹点数据加入了无人机所处环境的风速，也就是无人机的飞行环境，这样可以使之后的预测轨迹点数据更加准确。

S200，将O输入到卡尔曼滤波模型，获取到第二特征向量集合Z＝{Z₁，Z₂，...，Z_k}，其中，_i为O_i对应的第二特征向量；并基于O_i与Z_i得到相似度值D_i，构建成相似度值列表D＝{D₁，D₂，...，D_k}。

具体地，Z_i＝(Z_i ¹,Z_i ²,...Z_i ^j...,Z_i ⁿ)，其中，j＝1，2，...，n，n为第一特征向量所包含的维度数量。

根据本发明，S200进一步包括：

S210，对O_i进行卡尔曼滤波，得出Z_i，所述卡尔曼滤波包括状态预测过程和状态更新过程。

具体地，对Z_i-1以及O_i进行状态预测过程得到Z_i|i-1。具体地，Z_i|i-1符合以下条件：

Z_i|i-1＝C(i)Z_i-1|i-1+P(i)

X_i|i-1＝C(i)X_i-1|i-1+Q(i)

其中，Z_i|i-1为第i时间节点无人机轨迹点数据状态估计向量；Z_i-1|i-1为第i-1时间节点无人机轨迹点数据状态估计向量；X_i|i-1为第i时间节点无人机轨迹点数据估计的误差协方差矩阵，用于衡量估计的精度；X_i-1|i-1为第i-1时间节点无人机轨迹点数据估计的误差协方差矩阵；C(i)为状态转移矩阵，与Z_i和Z_i-1有关；P(i)为用户对无人机操作(例如，加速操作、减速操作、更改位姿操作等)产生的控制信息向量；Q(i)为噪声协方差矩阵，与没有被地面监视系统采集的噪声相关。

具体地，本领域技术人员知晓，C(i)的获取方法为现有技术，此处不再赘述。

进一步的，基于卡尔曼滤波模型对Z_i|i-1进行状态更新过程，得到第二特征向量集合Z。

具体地，Z_i符合以下条件：

Z_i＝Z_i|i-1+K(O_i-Z_i|i-1)

其中，K是卡尔曼滤波模型增益矩阵，与X_i|i-1有关。

具体地，本领域技术人员知晓，K的获取方法为现有技术，此处不再赘述。

S220，基于O_i与Z_i计算相似度值D_i，获取相似度列表D。

具体地，基于O_i与Z_i的n个维度进行欧式距离的计算，得出第i时间节点第j维度的相似度值d_i ^j并合成相似度值向量D_i＝(d_i ¹，d_i ²，...，d_i ⁿ)，d_i ^j符合如下条件：

其中，Z_i ^j为Z_i中的第j维度值，O_i ^j为O_i中的第j维度值，j的取值为1到n。

S300，遍历相似度列表D，且当D_i≥D₀时，将Z_i作为目标特征向量Q_i，当D_i<D₀时，将O_i作为目标特征向量Q_i，得到目标特征向量集合Q＝{Q₁，Q₂，...，Q_k}，并根据Q_i进行归一化处理得到Q’_i，基于Q’_i获取关键特征向量集合Q’＝{Q’₁，Q’₂，...，Q’_k}，Q’_i为第i时间节点对应的轨迹点的关键特征向量。

具体地，D₀符合以下条件：

通过卡尔曼滤波模型预测得到的预测向量Z_k和采集到的观测向量O_k之间的相似度值D_k与1到k-1时刻历史轨迹数据向量的均值的比较，使进入神经网络模型训练的数据更加准确，这样使训练得出的预测函数的参数更加准确，减少了无人机轨迹预测的误差，使用户可以更加精准的判断无人机即将抵达的位置。

具体地，Q_i＝(Q_i ¹，Q_i ²，…，Q_i ⁿ)，Q_i ^j为第i个目标特征向量的第j维度值，基于Q_i ^j进行归一化处理，得出Q’_i，Q’_i符合如下条件：

其中，Q_i ^j _(min)为第i时间节点n个维度中的最小值，Q_i ^j _(max)为第i时间节点n个维度中的最大值。

具体地，经过归一化处理使所述目标轨迹向量被限定在一定范围内并消除不同的维度从而消除数据取值范围的影响和不同维度之间不能计算的问题。

S400，初始化神经网络模型。

本发明实施例中，所述神经网络模型基于seq2seq模型进行改进。

具体地，所述神经网络模型依序包括输入节点、编码器、解码器和输出节点。

本发明提供的实施例中，所述编码器包括三个隐藏层，依次为两个门控循环单元层和一个Dropout层；所述解码器包括5个隐藏层，依次为注意力层、两个门控循环单元层、全连接层和Dropout层。

具体地，所述注意力层为一个线性回归模型，使编码器中的门控循环单元层与所述解码器中的门控循环单元层相互作用；采用门控循环单元作为核心单元，可以使神经网络模型具有较好的适应性；所述全连接层为全连接卷积层，隐藏层与输出层的激活函数采用双曲正切函数；通过对seq2seq模型进行上述改进，使其可以达到预测轨迹的效果并且可以一次计算大量数据。

S500，根据Q’获取个训练样本/>其中，T_g＝(Q’_g,Q’_g+1,......,Q’_g+n)，g的取值范围1到/>k为Q’中关键特征向量的数量，a为训练函数f()中预设的训练样本占训练样本和测试样本的比例，n为预设的f()的参数数量。优选的，a和n可以由用户输入确定。

在一个实施例中，可替换为向下取整/>

S600，输入T到神经网络模型，获取f()中的参数，Q’_g+n+1符合如下条件：

Q’_g+n+1＝f(Q’_g,Q’_g+1,......,Q’_g+n)

进一步地，基于Q’与Q’_g+n+1获取神经网络模型损失值J，J符合如下条件：

具体地，采用代价函数计算J，J可以反映出神经网络模型输出数据与实际数据的差距，根据得到的J值，对神经网络模型进行进一步的测试与优化。S700，基于Q’获取个测试样本，包括测试样本/> 和测试样本其中，/> m的取值范围1到/> c的取值范围1到/> b为映射关系函数f()中预设的训练样本占训练样本和测试样本的比例，b＝1-a。

在一个实施例中，可替换为向下取整/>且/>可替换为向下取整/>

S800，输入L到神经网络模型，优化f()中的参数。

S900，输入H到神经网络模型得到形成最终特征向量/> 并对Q”进行反归一化处理，得到预测的轨迹点数据。

具体地，基于Q”中的n个维度进行反归一化处理，得出反归一化值Q”’_i ^j合成预测的轨迹点数据Q”’_i，＝(Q”’_i ¹，Q”’_i ²，...，Q”’_i ⁿ)，Q”’_i ^j符合如下条件：

通过对轨迹点数据分为多个样本进行处理，使最终得到的预测轨迹点数据更加准确，减少了无人机轨迹预测的误差，使用户可以更加精准的判断无人机即将抵达的位置。

本发明的实施例还提供了一种非瞬时性计算机可读存储介质，该存储介质可设置于计算机设备之中以保存用于实现方法实施例中一种方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述实施例提供的方法。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (8)

1.一种无人机轨迹测算方法，其特征在于，所述方法包括如下步骤：

S100、获取无人机的轨迹点数据且将所述轨迹点数据进行向量化处理，得到第一特征向量集合O＝{O₁，O₂，...，O_k}，其中，O_i为第i时间节点对应的轨迹点的第一特征向量，i＝1，2，...，k；其中，O_i＝(O_i ¹,O_i ²,......,O_i ⁿ)，其中，第j个轨迹点数据O_i ^j∈轨迹点数据集合，j＝1，2，...，n，n为第一特征向量所包含的维度数量；其中，所述轨迹点数据集合为{X_i，Y_i，H_i，V_i，VX_i，VY_i，VZ_i，ɑ_i、β_i、λ_i，VW_i、WX_i、WY_i、WZ_i}，其中，X_i为第i时间节点时，无人机地理位置的经度坐标；Y_i为第i时间节点时，无人机地理位置的纬度坐标；H_i为第i时间节点时，无人机地理位置的高度；V_i为第i时间节点时，无人机的速率；VX_i为第i时间节点时，无人机的速度方向与纬度方向的夹角；VY_i为第i时间节点时，无人机的速度方向与经度方向的夹角；VZ_i为第i时间节点时，无人机的速度方向与高度方向的夹角；ɑ_i为第i时间节点时，无人机的航向角；β_i为第i时间节点时，无人机的俯仰角；λ_i为第i时间节点时，无人机的横滚角；VW_i为第i时间节点时，无人机所处环境的风速；WX_i、WY_i、WZ_i分别为风速方向与纬度、经度和高度方向的夹角；S200、将O输入到卡尔曼滤波模型，获取到第二特征向量集合Z＝{Z₁，Z₂，...，Z_k}，其中，Z_i为O_i对应的第二特征向量；并基于O_i与Z_i得到相似度值D_i，构建成相似度值列表D＝{D₁，D₂，...，D_k}；

S300、遍历D，且当D_i≥D₀时，将Z_i作为目标特征向量Q_i，当D_i<D₀时，将O_i作为目标特征向量Q_i，得到目标特征向量集合Q＝{Q₁，Q₂，...，Q_k}，并根据Q_i进行归一化处理得到Q’_i，基于Q’_i获取关键特征向量集合Q’＝{Q’₁，Q’₂，...，Q’_k}，Q’_i为第i时间节点对应的轨迹点的关键特征向量；

S400、初始化神经网络模型；

S500、根据Q’获取个训练样本/>其中，T_g＝(Q’_g,Q’_g+1,......,Q’_g+n-1)，g的取值范围1到/>k为Q’中关键特征向量的数量，a为训练函数f()中预设的训练样本占训练样本和测试样本的比例，n为预设的f()的参数数量；

S600、输入T到神经网络模型，获取f()中的参数；

S700、基于Q’获取个测试样本，包括测试样本/> 和测试样本/>其中，/> m的取值范围1到/> c的取值范围1到/>b为映射关系函数f()中预设的训练样本占训练样本和测试样本的比例，b＝1-a；

S800，输入L到神经网络模型，优化f()中的n个参数；

S900，输入H到神经网络模型得到形成最终特征向量并对Q”进行反归一化处理，得到预测的轨迹点数据Q”’。

2.根据权利要求1所述的无人机轨迹测算方法，其特征在于，在S300中，其中，Z_i ^j为Z_i中的第j维度值，O_i ^j为O_i中的第j维度值，j的取值为1到n。

3.根据权利要求1所述方法，其特征在于，在S300中，

4.据权利要求1所述的方法，其特征在于，在S300中，Q_i＝(Q_i ¹，Q_i ²，…，Q_i ⁿ)，Q_i ^j为O_i中的第j维度值，其中，Q_i ^j _(max)和Q_i ^j _(min)分别为第i时间节点n个维度中的最大值和第i时间节点n个维度中的最小值。

5.根据权利要求1所述的方法，其特征在于，在S600中，采用代价函数计算J，并根据得到的J值，对seq2seq模型进行进一步的测试与优化。

6.根据权利要求5所述的方法，其特征在于，J符合如下条件：

7.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1～6中任意一项的所述方法。

8.一种电子设备，其特征在于，包括处理器和权利要求7中的存储介质。