CN116414153B - 基于人工智能的无人机起降校正方法 - Google Patents
基于人工智能的无人机起降校正方法 Download PDFInfo
- Publication number
- CN116414153B CN116414153B CN202310686899.6A CN202310686899A CN116414153B CN 116414153 B CN116414153 B CN 116414153B CN 202310686899 A CN202310686899 A CN 202310686899A CN 116414153 B CN116414153 B CN 116414153B
- Authority
- CN
- China
- Prior art keywords
- sequence
- flight
- data
- angle
- aerial vehicle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000012937 correction Methods 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 230000035772 mutation Effects 0.000 claims description 46
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 22
- 238000005457 optimization Methods 0.000 description 15
- 238000005265 energy consumption Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 101100208381 Caenorhabditis elegans tth-1 gene Proteins 0.000 description 1
- 241001048891 Jatropha curcas Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
Abstract
本发明涉及非电变量的控制或调节技术领域,提出了一种基于人工智能的无人机起降校正方法,包括:获取每个飞行时刻的数据序列,根据采集数据与航向角的动态变化规律得到角度关联度,根据相邻飞行时刻的角度关联度序列得到动态关联距离,根据四旋翼无人机与升降平台的位置信息以及相邻时刻航向角得到转向损耗,根据动态关联距离和转向损耗得到飞行适应度,根据飞行适应度得到每个航向角的变异概率,根据遗传算法得到每个飞行时刻的最优状态序列,根据连续多个飞行时刻的状态矩阵得到下一飞行时刻四旋翼无人机的最佳航向角和目标位置。本发明根据采集数据与航向角的动态特征自适应获取遗传算法中的变异概率,提高降落过程中航向角的预测精度。
Description
技术领域
本发明涉及非电变量的控制或调节技术领域,具体涉及一种基于人工智能的无人机起降校正方法。
背景技术
无人机是一种由无线电遥控设备或自身程序控制装置操纵的无人驾驶飞行机器,四旋翼无人机是一种多旋翼的旋翼式飞行器,与传统的单翼飞行器相比,四旋翼无人机能够借助四个旋翼相互抵消回旋影响、体积小、能耗低等优点,广泛应用于军事、农业、矿产等多个领域。
对于四旋翼无人机而言,起降过程中由于飞行运动、气流运动、气流气压等因素会影响四旋翼的平衡,一旦四旋翼进入非平衡状态,无人机的飞行的稳定性和控制灵敏性将会明显下降,无人机的飞行姿态会受到严重干扰,影响无人机的起航角度与降落定位精度。因此需要在无人机起航或者降落过程中,根据搭载在无人机上传感器的采集数据实时调整无人机姿态轨迹,确定无人机沿着预定航线飞行或者精准降落,使得无人机在面对环境的复杂性和不稳定性时,依旧能够保持稳定的角度飞行。现阶段的控制方案包括参数优化、轨迹优化、角度优化等不同方向的优化,其中参数优化方案需要的数据量大,飞行器容易处于过载状态;而轨迹优化导致实时处理能力降低将会增大无人机失控概率以及碰撞概率;角度优化通常是在最优路径规划或者能耗评估的基础上进行的,通常忽略实际飞行速度的影响。
发明内容
本发明提供一种基于人工智能的无人机起降校正方法,以解决无人机在降落过程中航向角受多种因素影响导致的控制难度大、调节精度低的问题,所采用的技术方案具体如下:
本发明一个实施例一种基于人工智能的无人机起降校正方法,该方法包括以下步骤:
获取每个飞行时刻对应的数据序列,所述数据序列包括每个飞行时刻的所有采集数据;
利用周期划分的方式获取每一类采集数据所对应的特征序列,所述特征序列包括每一类采集数据的得分序列和突变序列;
根据每一类采集数据所对应的特征序列和数据序列获取每类采集数据的动态一致性以及关联稳定度,基于每类采集数据的动态一致性和关联稳定度获取每类采集数据所对应的角度关联度;
根据每一类采集数据的角度关联度获取每个飞行时刻的角度关联度序列,根据相邻两个飞行时刻的角度关联度序列获取预设飞行时刻每个航向角的动态关联距离,根据预设飞行时刻无人机与升降平台的空间距离及航向角差值获取预设飞行时刻每个航向角的转向损耗,根据动态关联距离和转向损耗获取每个航向角的飞行适应度;
根据每个航向角的飞行适应度及适应度值获取预设飞行时刻每个航向角所对应的遗传算法中的变异概率,根据每个飞行时刻的最优状态序列获取每个飞行时刻的状态矩阵;
基于预设数量飞行时刻的状态矩阵得到下一飞行时刻的最佳航向角,基于最佳航向角和当前飞行速度获取下一飞行时刻的位置信息。
优选的,所述获取每个飞行时刻对应的数据序列,所述数据序列包括每个飞行时刻的所有采集数据的方法为:
分别利用无人机搭载的加速度计、陀螺仪、导航传感器获取每个飞行时刻无人机的飞行速度、航向角、海拔高度,分别利用温度传感器、湿度传感器、风标传感器、风力传感器获取每个飞行时刻无人机的温度、湿度、风向以及风速,将速度、航向角、海拔高度、温度、湿度、风向、风速作为所述每个飞行时刻的所有采集数据;
利用均值填充方法对每个飞行时刻的所有采集数据进行均值填充处理,得到每个飞行时刻对应的数据序列。
优选的,所述利用周期划分的方式获取每一类采集数据的特征序列的方法为:
获取无人机从起飞到进入降落范围内的总飞行时长,将连续第一预设数量飞行时刻作为一个飞行周期,将所述总飞行时长划分为第二预设数量飞行周期;
对于每一类采集数据,在任意一个飞行周期内,根据飞行周期内所有飞行时刻的数据序列获取每个飞行周期内每一类采集数据的均值,将每个周期内每个飞行时刻的数据序列中每一类采集数据与对应均值做差的结果作为每个飞行时刻每一类采集数据的差分数据,将每个飞行周期内每一类采集数据的差分数据按照时间先后顺序排序组成每一类采集数据的差分序列,将每一类采集数据的差分序列作为稳健随机砍伐森林RRCF算法的输入,利用稳健随机砍伐森林RRCF算法获取输入序列中每个样本点的异常得分,将异常得分按照时间先后顺序排序组成每一类采集数据的得分序列;
对于每一类采集数据,将每个飞行周期内所有数据序列中每一类采集数据按照时间先后顺序排列得到每一类采集数据的飞行数据序列,分别将每一类采集数据的飞行数据序列作为启发式分割BG算法的输入,利用启发式分割BG算法得到每一类采集数据的飞行数据序列中的突变点,将突变点对应的飞行时间按照时间先后顺序组成每一类采集数据的突变序列;
将所述得分序列和突变序列作为所述特征序列,所述每一类采集数据的特征序列包括航向角得分序列及航向角突变序列、速度得分序列及速度突变序列、海拔高度得分序列及海拔高度突变序列、温度得分序列及温度突变序列、湿度得分序列及湿度突变序列、风向得分序列及风向突变序列、风速得分序列及风速突变序列。
优选的,所述根据每一类采集数据所对应的特征序列和数据序列获取每类采集数据所对应的动态一致性以及关联稳定度的方法为:
根据航向角得分序列与数据序列中其余每类采集数据的得分序列获取其余每类采集数据所对应的动态一致性,根据所有飞行周期内航向角对应的突变序列和其余每类采集数据的突变序列获取其余每类采集数据所对应的关联稳定度。
优选的,所述根据航向角得分序列与数据序列中其余每类采集数据的得分序列获取其余每类采集数据所对应的动态一致性的方法为:
式中,是a飞行时刻第i类采集数据的动态一致性,a飞行时刻所在飞行周期为第k个飞行周期,/>是第k个飞行周期内航向角差分序列中所有航向角的异常得分组成的得分序列,/>是第k飞行个周期内第i种采集数据差分序列中元素异常得分组成的得分序列,/>是得分序列/>、/>之间的皮尔逊相关系数,/>是第k个飞行周期内第i类采集数据异常得分的最大值,/>是a飞行时刻第i类采集数据的异常得分。
优选的,所述根据所有飞行周期内航向角序列对应的突变序列和其余每类采集数据序列的突变序列获取其余每类采集数据所对应的关联稳定度的方法为:
式中,是第k个飞行周期内第i类采集数据的关联稳定度,/>是第k个飞行周期内航向角飞行数据序列/>对应的突变序列,/>是第k个飞行周期内第i种采集数据的飞行数据序列/>对应的突变序列,/>是突变序列、/>之间的DTW距离,/>是调参因子。
优选的,所述根据每一类采集数据的角度关联度获取每个飞行时刻的角度关联度序列的方法为:
获取每个飞行周期内每个飞行时刻每一类采集数据的角度关联度,将每个飞行时刻数据序列中所有采集数据的角度关联度组成的序列作为每个飞行时刻的角度关联度序列。
优选的,所述根据相邻两个飞行时刻的角度关联度序列获取预设飞行时刻每个航向角的动态关联距离的方法为:
式中,是t飞行时刻第j个航向角的动态关联距离,/>是t-1飞行时刻角度关联度序列,/>中的元素分别是数据序列/>中各元素的角度关联度,是把第j个航向角作为下一时刻飞行航向角时对应的角度关联度序列,是序列/>、/>之间的DTW距离,/>是第t个飞行时刻所有剩余可选择航向角对应的角度关联度序列与/>之间DTW距离的最小值。
优选的,所述根据预设飞行时刻无人机与升降平台的空间距离及航向角差值获取预设飞行时刻每个航向角的转向损耗的方法为:
获取无人机在当前时刻预设航向角处与升降平台的空间距离与无人机前一飞行时刻与升降平台空间距离差值的绝对值,获取无人机在预设航向角处与前一时刻航向角角度差值的绝对值,将所述空间距离差值绝对值与角度差值绝对值的乘积作为当前时刻无人机的转向损耗。
优选的,所述根据每个航向角的飞行适应度及适应度值获取预设飞行时刻每个航向角所对应的遗传算法中的变异概率的方法为:
式中,是第t个飞行时刻第j个航向角的变异概率,/>是变异概率的初始值,、/>分别是第t个飞行时刻第j个航向角的飞行适应度、适应度值,M是种群中染色体的数量。
优选的,所述基于预设数量飞行时刻的状态矩阵得到下一飞行时刻的最佳航向角的方法为:
根据最优状态序列、数据序列、角度关联度获取每个飞行时刻的状态矩阵,将连续第一预设数量飞行时刻的状态矩阵作为长短期记忆网络的输入,将长短期记忆网络的输出作为下一飞行时刻无人机的最佳航向角。
本发明的有益效果在于:本发明通过多个飞行周期内多种采集数据与航向角动态变化规律构建了角度关联度,角度关联度考虑了每个飞行周期内采集数据与航向角数据动态变化的一致性和稳定性,其有益效果在于利用飞行周期内航向角的动态变化规律,提高后续降落过程中基于数据序列中的采集数据获取最佳航向角的精度。其次基于角度关联度以及降落过程中的数据序列构建飞行适应度,并基于飞行适应度自适应获取遗传算法寻优过程中的变异概率,飞行适应度考虑了在降落过程中无人机能耗不应该发生剧烈变化,应当保证四旋翼无人机处于稳定飞行状态,其有益效果在于避免后续遗传算法获取最佳染色体组合时,对任意航向角进行固定概率变异造成的误差,提高后续降落过程中航向角的优化精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种基于人工智能的无人机起降校正方法的流程示意图;
图2为四旋翼无人机飞行过程中可选择航向角示意图;
图3为每个飞行时刻状态矩阵的示意图。
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,都属于本发明保护的范围。
现阶段无人机起降过程中航向角的控制调节方案包括参数优化、轨迹优化、角度优化等不同方向的优化,但是参数优化方案需要的数据量大,飞行器容易处于过载状态;而轨迹优化导致实时处理能力降低将会增大无人机失控概率以及碰撞概率;角度优化通常是在最优路径规划或者能耗评估的基础上进行的,通常忽略实际飞行速度的影响。然而无人机起降过程中由于飞行运动、气流运动、气流气压等因素会影响四旋翼的平衡,一旦四旋翼进入非平衡状态,无人机的飞行的稳定性和控制灵敏性将会明显下降,无人机的飞行姿态会受到严重干扰,影响无人机的航向角调节精度与降落定位的精度。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的无人机起降校正方法流程图,该方法包括以下步骤:
步骤S001,获取无人机飞行过程中影响因素的采集数据,得到每个飞行时刻的数据序列。
当四旋翼无人机进入飞行状态后,利用四旋翼无人机上的测距雷达和RTK空间定位装置获取四旋翼无人机与降落平台之间的距离、降落平台的坐标、四旋翼无人机的坐标。并利用四旋翼无人机上的传感器采集每个飞行时刻的航向角、海拔高度、飞行速度,所述传感器包括四旋翼无人机上携带的加速度计、陀螺仪传感器、导航传感器。其次利用相关传感器实时采集四旋翼无人机所在位置的温度、湿度、风向以及风速,所述相关传感器包括温度传感器、湿度传感器、风标传感器、风力传感器。
利用四旋翼无人机在每个飞行时刻采集数据组成数据序列X,例如,t时刻四旋翼无人机的数据序列记为,其中,/>、/>、/>、、/>、/>、/>分别是t时刻四旋翼无人机的速度、航向角、海拔高度、温度、湿度、风向、风速。为了避免传感器采集数据传输过程中的网络波动,利用均值填充技术对数据序列进行预处理,均值填充为公知技术,具体过程不再赘述。
至此,得到每个飞行时刻四旋翼无人机的数据序列。
步骤S002,根据得分序列得到动态一致性,根据突变序列得到关联稳定度,根据动态一致性和关联稳定度得到每个飞行时刻每类采集数据的角度关联度。
当四旋翼无人机进入降落范围后,四旋翼无人机的海拔高度在降落范围内不断降低,飞行速度、航向角、温度、湿度以及风速等因素处于不稳定的变化状态,为了规避无人机起降过程中气流气压导致四旋翼不平衡的影响,考虑通过采集得到的数据序列,对无人机起降航行方向角度进行优化校正,使得四旋翼无人机尽可能安全、快速、低能耗的达到降落平台。
数据序列X中包含多种实时变化的采集数据,而航向角与每种采集数据之间的对应关系也是处于动态变化的,即不同影响因素对航向角的影响程度是不同的,例如对于数据序列中的温度、湿度而言,在相邻几个飞行时刻内不会发生明显变化,对短期内四旋翼无人机的航向角的影响程度并不大;而对于采数据序列中飞行速度、风向而言,在短期内,即相邻几个飞行时刻中是有可能发生明显变化的,例如,当四旋翼无人机飞行时,四旋翼的侧面轮廓应该迎风,便于从风中获取一定的推力,降低电池能耗,因此需要控制四旋翼角度使得四旋翼无人机的侧面轮廓处于迎风状态。
假设四旋翼无人机从起飞到进入降落范围内总时长为N个时刻,取n个连续飞行时刻的数据序列作为一个周期,K为N个时刻内的周期总数量,分析每个周期内每种采集数据与航向角之间的内在联系。在n个连续的飞行时刻内,如果第i类采集数据与航向角之间的动态变化规律越相似,那么第i类采集数据与航向角之间的内在联系越紧密;如果第i种采集数据与航向角之间的动态变化规律越不相似,那么第i类采集数据与航向角之间的内在联系越弱。基于n个连续的飞行时刻的数据序列,计算每个周期内每类采集数据的均值,将每个周期内每个飞行时刻的数据序列中的采集数据减去每类采集数据的均值,得到差分数据,则n个连续的飞行时刻能够得到n个差分数据。即数据序列中的每个元素都会得到一个长度为n的差分序列,将航向角所在的差分序列记为航向角差分序列,其余采集数据所在的差分序列按照相同的规则保存,例如飞行速度所在的差分序列记为飞行速度差分序列。
针对每个飞行时刻的数据序列处于动态变化的特点,利用稳健随机砍伐森林RRCF算法分别获取每种采集数据差分序列中元素的异常得分,稳健随机砍伐森林RRCF算法的输入为每种采集数据差分序列,稳健随机砍伐森林RRCF算法输出为输入序列中每个样本点的异常得分,稳健随机砍伐森林RRCF算法为公知技术,具体过程不再赘述。
基于上述分析,此处构建角度关联度V,用于表征不同采集数据与航向角之间的关联程度,计算a飞行时刻第i类采集数据的角度关联度:
式中,是a飞行时刻第i类采集数据的动态一致性,a飞行时刻所在飞行周期为第k个飞行周期,/>是第k个飞行周期内航向角差分序列中所有航向角的异常得分组成的得分序列,/>是第k飞行个周期内第i类采集数据差分序列中元素异常得分组成的得分序列,/>是得分序列/>、/>之间的皮尔逊相关系数,/>是第k个飞行周期内第i类采集数据异常得分的最大值,/>是a飞行时刻第i类采集数据的异常得分。皮尔逊相关系数为公知技术,具体过程不再赘述。/>的值越大,第i类采集数据与航向角在飞行周期内动态变化越一致。
是第i类采集数据的关联稳定度,/>是第k个飞行周期内航向角对应的飞行数据序列/>中突变点对应时间组成的突变序列,/>是第k个飞行周期内第i类采集数据对应的飞行数据序列/>中突变点对应时间组成的突变序列,所述飞行数据序列是第k个飞行周期内所有数据序列中航向角按照时间顺序组成的序列,所述第i类采集数据序列/>是第k个飞行周期内所有数据序列中第i类采集数据按照时间顺序组成的序列,所述突变点分别是利用BG序列分割算法检测得到的飞行数据序列/>、/>突变点,BG序列分割算法为公知技术,具体过程不再赘述。/>是突变序列、/>之间的DTW距离,/>是调参因子,/>的作用是防止分母为0,/>的大小取经验值0.01,DTW距离为公知技术,具体过程不再赘述。/>的值越大,在飞行周期内,第i种采集数据与航向角的动态变化之间的一致性越稳定。
是a飞行时刻m类采集数据的动态一致性的均值,本发明中,m的大小取经验值6。
角度关联度反映了不同采集数据与航向角之间的关联程度。在四旋翼无人机飞行周期内第i类采集数据与航向角数据的动态变化一致性越高,的值越大,a飞行时刻的异常得分越小,a飞行时刻第i类采集数据越稳定,/>的值越大,/>的值越大;在飞行周期内,第i类采集数据与航向角的动态变化之间的一致性越稳定,突变点出现的时间差异越小,/>的值越小,/>的值越大,即/>的值越大,第i类采集数据与航向角之间的动态变化规律越一致,内在关联越密切。角度关联度考虑了多个飞行周期内采集数据与航向角数据动态变化的一致性和稳定性,其有益效果在于利用多个飞行周期内航向角的动态变化规律,提高后续降落过程中基于数据序列中的采集数据获取最佳航向角的精度。
至此,得到每种采集数据的角度关联度。
步骤S003,根据角度关联度序列得到动态关联距离,根据空间距离和航向角得到转向损耗,根据动态关联距离和转向损耗得到每个可选择航向角的飞行适应度。
四旋翼无人机与降落平台的距离越远,航向角可以选择的角度就越少,因为此时较小的角度变化对后续整个降落路线都会产生较大影响;反之,四旋翼无人机与降落平台的距离越近,航向角可以选择的角度就越大,因为此时环境因素对航向角的影响整体偏弱。
在遗传算法GA的种群变异过程中,如果种群整体适应度的平均值比较接近种群中适应度的最大值,相应的种群中有多个个体都具有较高的适应度值,即这些个体后续存活和繁衍的概率越大;而如果种群的适应度值较为分散,个体之间的差异度较大,种群具有的多样性越高,此时应该降低变异率,减少优秀基因被破坏的可能性。在四旋翼无人机的航向角的允许范围内,如果某个航向角越符合四旋翼无人机的飞行特征,能耗越低,此航向角在K个飞行周期内出现的频率就越高。除此之外,在四旋翼无人机降落过程中,随着四旋翼无人机周围环境的变化,四旋翼无人机可选择的飞行状态和航向角也在不断变化,如图2所示。因此本发明考虑在降落过程中,增大某些角度有可能成为航向角的概率,即在降落过程中根据当前飞行时刻的数据序列动态调整每个航向角在变异过程中适应度值。
基于上述分析,此处构建飞行适应度F,用于表征每个飞行时刻不同航向角对降落过程的适应程度,计算第t个飞行时刻第j个航向角的飞行适应度:
式中,是t飞行时刻第j个航向角的动态关联距离,/>是t-1时刻角度关联度序列,/>中的元素分别是数据序列/>中各元素的角度关联度,是把第j个航向角作为下一时刻飞行航向角时对应的角度关联度序列,是序列/>、/>之间的DTW距离,/>是第t个飞行时刻所有剩余可选择航向角对应的角度关联度序列与/>之间DTW距离的最小值,DTW距离为公知技术,具体过程不再赘述。/>的值越小,第j个航向角对应的飞行姿态越符合四旋翼无人机的飞行姿态。
是第j个航向角的转向损耗,/>是第t-1个飞行时刻四旋翼无人机与升降平台的空间距离,/>是第t个飞行时刻第j个航向角处与升降平台的空间距离、/>是第t-1时刻的航向角、/>是第t个飞行时刻的第j个航向角。/>的值越大,四旋翼无人机从第t-1个飞行时刻所在位置到第t个飞行时刻第j个航向角处的能耗损失越大。
飞行适应度反映了每个飞行时刻不同航向角对无人机降落过程的适应程度。由于在降落过程中无人机能耗不应该发生剧烈变化,应当保证四旋翼无人机处于稳定飞行状态,即角度关联度序列的差异越小,的值越小,/>的值越小;在降落过程中,四旋翼无人机与升降平台的距离越远,相邻两个飞行时刻的角度变化应该越小,/>的值越小、/>的值越小,/>的值越小,即/>的值越大,第j个航向角作为降落过程中的航向角越符合四旋翼无人机的飞行姿态。
至此,得到每个飞行时刻每个可选择航向角的飞行适应度。
步骤S004,根据飞行适应度得到变异概率,根据遗传算法得到每个时刻的最优状态序列。
进一步的,基于第t个飞行时刻第j个航向角的飞行适应度获取其在变异过程中的变异概率/>:
式中,是变异概率的初始值,/>的大小取经验值0.02,/>、/>分别是第t个飞行时刻第j个航向角的飞行适应度、适应度值,M是种群中染色体的数量,在本发明中,M的大小等于第t个飞行时刻可选择的航向角数量。
由于每个飞行时刻的数据序列中共有7个元素,因此本发明中遗传算法中染色体的基因数量为7,进一步的,将M组染色体作为遗传算法GA算法的初始种群,最大迭代次数设置为2000,杂交率、选择率分别设置为0.7、0.5,编码方式为二进制编码,以K个周期内最小能耗方程为目标函数,自适应获取变异概率p为种群中个体被选择变异的概率,将遗传算法的输出最佳染色体作为每个时刻的最优状态序列。遗传算法为公知技术,具体过程不再赘述。
至此,得到四旋翼无人机每个飞行时刻对应的最优状态序列。
步骤S005,根据状态矩阵得到无人机下一飞行时刻的最佳航向角,根据最佳航向角和位置信息调节无人机降落过程中的飞行姿态,完成对无人机的飞行姿态校正。
根据上述步骤获取四旋翼无人机进入降落区域后每个飞行时刻的最优状态序列,其次利用最优状态序列、数据序列、角度关联度获取每个飞行时刻的状态矩阵,第t个飞行时刻的状态矩阵记为,如图3所示。将连续n个飞行时刻的状态矩阵作为神经网络的输入,n的大小取经验值30,神经网络模型为LSTM,以随机梯度下降算法SGD为优化算法,以交叉熵为损失函数,神经网络的输出是下一飞行时刻四旋翼无人机的最佳航向角,神经网络的训练为公知技术,具体过程不再赘述。
进一步的,根据神经网络输出的最佳航向角,结合四旋翼无人机在当前时刻的飞行速度获取下一飞行时刻的位置信息,将最佳航向角和目标位置传输到飞控,飞控通过位置信息和航向角信息,实时控制无人机的飞行速度。其次将无人机下降过程在管理平台上实时显示,避免意外因素可能造成的损害或事故。四旋翼无人机成功降落后,利用无人机自动机场的自动入库系统再次修正无人机位置,将无人机移动到最终入库位置,自动入库系统将入库位置的四旋翼无人机自动收入机库。在机库中完成自动换电、充电、关键零件状态检测等操作,为下次飞行做好准备。
以上所述仅为本发明的较佳实施例而已,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 (10)
1.一种基于人工智能的无人机起降校正方法,其特征在于,该方法包括以下步骤:
获取每个飞行时刻对应的数据序列,所述数据序列包括每个飞行时刻的所有采集数据;
利用周期划分的方式获取每一类采集数据所对应的特征序列,所述特征序列包括每一类采集数据的得分序列和突变序列;
根据每一类采集数据所对应的特征序列和数据序列获取每类采集数据的动态一致性以及关联稳定度,基于每类采集数据的动态一致性和关联稳定度获取每类采集数据所对应的角度关联度;
根据每一类采集数据的角度关联度获取每个飞行时刻的角度关联度序列,根据相邻两个飞行时刻的角度关联度序列获取预设飞行时刻每个航向角的动态关联距离,根据预设飞行时刻无人机与升降平台的空间距离及航向角差值获取预设飞行时刻每个航向角的转向损耗,根据动态关联距离和转向损耗获取每个航向角的飞行适应度;
根据每个航向角的飞行适应度及适应度值获取预设飞行时刻每个航向角所对应的遗传算法中的变异概率,根据每个飞行时刻的最优状态序列获取每个飞行时刻的状态矩阵;
基于预设数量飞行时刻的状态矩阵得到下一飞行时刻的最佳航向角,基于最佳航向角和当前飞行速度获取下一飞行时刻的位置信息;
所述利用周期划分的方式获取每一类采集数据的特征序列的方法为:
获取无人机从起飞到进入降落范围内的总飞行时长,将连续第一预设数量飞行时刻作为一个飞行周期,将所述总飞行时长划分为第二预设数量飞行周期;
对于每一类采集数据,在任意一个飞行周期内,根据飞行周期内所有飞行时刻的数据序列获取每个飞行周期内每一类采集数据的均值,将每个周期内每个飞行时刻的数据序列中每一类采集数据与对应均值做差的结果作为每个飞行时刻每一类采集数据的差分数据,将每个飞行周期内每一类采集数据的差分数据按照时间先后顺序排序组成每一类采集数据的差分序列,将每一类采集数据的差分序列作为稳健随机砍伐森林RRCF算法的输入,利用稳健随机砍伐森林RRCF算法获取输入序列中每个样本点的异常得分,将异常得分按照时间先后顺序排序组成每一类采集数据的得分序列;
对于每一类采集数据,将每个飞行周期内所有数据序列中每一类采集数据按照时间先后顺序排列得到每一类采集数据的飞行数据序列,分别将每一类采集数据的飞行数据序列作为启发式分割BG算法的输入,利用启发式分割BG算法得到每一类采集数据的飞行数据序列中的突变点,将突变点对应的飞行时间按照时间先后顺序组成每一类采集数据的突变序列;
将所述得分序列和突变序列作为所述特征序列,所述每一类采集数据的特征序列包括航向角得分序列及航向角突变序列、速度得分序列及速度突变序列、海拔高度得分序列及海拔高度突变序列、温度得分序列及温度突变序列、湿度得分序列及湿度突变序列、风向得分序列及风向突变序列、风速得分序列及风速突变序列。
2.根据权利要求1所述的一种基于人工智能的无人机起降校正方法,其特征在于,所述获取每个飞行时刻对应的数据序列,所述数据序列包括每个飞行时刻的所有采集数据的方法为:
分别利用无人机搭载的加速度计、陀螺仪、导航传感器获取每个飞行时刻无人机的飞行速度、航向角、海拔高度,分别利用温度传感器、湿度传感器、风标传感器、风力传感器获取每个飞行时刻无人机的温度、湿度、风向以及风速,将速度、航向角、海拔高度、温度、湿度、风向、风速作为所述每个飞行时刻的所有采集数据;
利用均值填充方法对每个飞行时刻的所有采集数据进行均值填充处理,得到每个飞行时刻对应的数据序列。
3.根据权利要求1所述的一种基于人工智能的无人机起降校正方法,其特征在于,所述根据每一类采集数据所对应的特征序列和数据序列获取每类采集数据所对应的动态一致性以及关联稳定度的方法为:
根据航向角得分序列与数据序列中其余每类采集数据的得分序列获取其余每类采集数据所对应的动态一致性,根据所有飞行周期内航向角对应的突变序列和其余每类采集数据的突变序列获取其余每类采集数据所对应的关联稳定度。
4.根据权利要求3所述的一种基于人工智能的无人机起降校正方法,其特征在于,所述根据航向角得分序列与数据序列中其余每类采集数据的得分序列获取其余每类采集数据所对应的动态一致性的方法为:
式中,是a飞行时刻第i类采集数据的动态一致性,a飞行时刻所在飞行周期为第k个飞行周期,/>是第k个飞行周期内航向角差分序列中所有航向角的异常得分组成的得分序列,/>是第k飞行个周期内第i种采集数据差分序列中元素异常得分组成的得分序列,/>是得分序列/>、/>之间的皮尔逊相关系数,/>是第k个飞行周期内第i类采集数据异常得分的最大值,/>是a飞行时刻第i类采集数据的异常得分。
5.根据权利要求3所述的一种基于人工智能的无人机起降校正方法,其特征在于,所述根据所有飞行周期内航向角序列对应的突变序列和其余每类采集数据序列的突变序列获取其余每类采集数据所对应的关联稳定度的方法为:
式中,是第k个飞行周期内第i类采集数据的关联稳定度,/>是第k个飞行周期内航向角飞行数据序列/>对应的突变序列,/>是第k个飞行周期内第i种采集数据的飞行数据序列/>对应的突变序列,/>是突变序列/>、/>之间的DTW距离,是调参因子。
6.根据权利要求1所述的一种基于人工智能的无人机起降校正方法,其特征在于,所述根据每一类采集数据的角度关联度获取每个飞行时刻的角度关联度序列的方法为:
获取每个飞行周期内每个飞行时刻每一类采集数据的角度关联度,将每个飞行时刻数据序列中所有采集数据的角度关联度组成的序列作为每个飞行时刻的角度关联度序列。
7.根据权利要求6所述的一种基于人工智能的无人机起降校正方法,其特征在于,所述根据相邻两个飞行时刻的角度关联度序列获取预设飞行时刻每个航向角的动态关联距离的方法为:
式中,是t飞行时刻第j个航向角的动态关联距离,/>是t-1飞行时刻角度关联度序列,/>中的元素分别是数据序列/>中各元素的角度关联度,/>是把第j个航向角作为下一时刻飞行航向角时对应的角度关联度序列,/>是序列、/>之间的DTW距离,/>是第t个飞行时刻所有剩余可选择航向角对应的角度关联度序列与/>之间DTW距离的最小值。
8.根据权利要求1所述的一种基于人工智能的无人机起降校正方法,其特征在于,所述根据预设飞行时刻无人机与升降平台的空间距离及航向角差值获取预设飞行时刻每个航向角的转向损耗的方法为:
获取无人机在当前时刻预设航向角处与升降平台的空间距离与无人机前一飞行时刻与升降平台空间距离差值的绝对值,获取无人机在预设航向角处与前一时刻航向角角度差值的绝对值,将所述空间距离差值绝对值与角度差值绝对值的乘积作为当前时刻无人机的转向损耗。
9.根据权利要求1所述的一种基于人工智能的无人机起降校正方法,其特征在于,所述根据每个航向角的飞行适应度及适应度值获取预设飞行时刻每个航向角所对应的遗传算法中的变异概率的方法为:
式中,是第t个飞行时刻第j个航向角的变异概率,/>是变异概率的初始值,/>、/>分别是第t个飞行时刻第j个航向角的飞行适应度、适应度值,M是种群中染色体的数量。
10.根据权利要求1所述的一种基于人工智能的无人机起降校正方法,其特征在于,所述基于预设数量飞行时刻的状态矩阵得到下一飞行时刻的最佳航向角的方法为:
根据最优状态序列、数据序列、角度关联度获取每个飞行时刻的状态矩阵,将连续第一预设数量飞行时刻的状态矩阵作为长短期记忆网络的输入,将长短期记忆网络的输出作为下一飞行时刻无人机的最佳航向角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686899.6A CN116414153B (zh) | 2023-06-12 | 2023-06-12 | 基于人工智能的无人机起降校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686899.6A CN116414153B (zh) | 2023-06-12 | 2023-06-12 | 基于人工智能的无人机起降校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116414153A CN116414153A (zh) | 2023-07-11 |
CN116414153B true CN116414153B (zh) | 2023-08-18 |
Family
ID=87059711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310686899.6A Active CN116414153B (zh) | 2023-06-12 | 2023-06-12 | 基于人工智能的无人机起降校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116414153B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861370B (zh) * | 2023-09-05 | 2023-12-01 | 山东千颐科技有限公司 | 用于井下防爆胶轮车的运动数据处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045286A (zh) * | 2015-09-16 | 2015-11-11 | 北京中科遥数信息技术有限公司 | 一种基于自驾仪和遗传算法的监测无人机悬停范围的方法 |
CN107145161A (zh) * | 2017-05-27 | 2017-09-08 | 合肥工业大学 | 无人机访问多目标点的航迹规划方法及装置 |
CN109407686A (zh) * | 2018-11-23 | 2019-03-01 | 东莞市光点电子科技有限公司 | 一种飞控在降落阶段保护无人机的方法 |
CN112722307A (zh) * | 2021-01-14 | 2021-04-30 | 西安天成益邦电子科技有限公司 | 一种方舱用无人机运载放飞、回收系统 |
CN113283060A (zh) * | 2021-05-06 | 2021-08-20 | 安徽送变电工程有限公司 | 一种垂直起降固定翼无人机多机场择优起降方法 |
CN113282095A (zh) * | 2021-04-08 | 2021-08-20 | 南京航空航天大学苏州研究院 | 一种复合翼无人机起降阶段航向控制方法 |
CN114384938A (zh) * | 2022-03-23 | 2022-04-22 | 山东智航智能装备有限公司 | 一种无人机起降航向校正方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220355926A1 (en) * | 2021-04-23 | 2022-11-10 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for autonomous vision-guided object collection from water surfaces with a customized multirotor |
-
2023
- 2023-06-12 CN CN202310686899.6A patent/CN116414153B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045286A (zh) * | 2015-09-16 | 2015-11-11 | 北京中科遥数信息技术有限公司 | 一种基于自驾仪和遗传算法的监测无人机悬停范围的方法 |
CN107145161A (zh) * | 2017-05-27 | 2017-09-08 | 合肥工业大学 | 无人机访问多目标点的航迹规划方法及装置 |
CN109407686A (zh) * | 2018-11-23 | 2019-03-01 | 东莞市光点电子科技有限公司 | 一种飞控在降落阶段保护无人机的方法 |
CN112722307A (zh) * | 2021-01-14 | 2021-04-30 | 西安天成益邦电子科技有限公司 | 一种方舱用无人机运载放飞、回收系统 |
CN113282095A (zh) * | 2021-04-08 | 2021-08-20 | 南京航空航天大学苏州研究院 | 一种复合翼无人机起降阶段航向控制方法 |
CN113283060A (zh) * | 2021-05-06 | 2021-08-20 | 安徽送变电工程有限公司 | 一种垂直起降固定翼无人机多机场择优起降方法 |
CN114384938A (zh) * | 2022-03-23 | 2022-04-22 | 山东智航智能装备有限公司 | 一种无人机起降航向校正方法及系统 |
Non-Patent Citations (1)
Title |
---|
无人机轮式着陆横侧向控制;余晓艇;《系统仿真学报》;第22卷(第1期);第166-172页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116414153A (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Maneuver decision of UAV in short-range air combat based on deep reinforcement learning | |
CN106842926B (zh) | 一种基于正实b样条的飞行器轨迹优化方法 | |
Santoso et al. | State-of-the-art intelligent flight control systems in unmanned aerial vehicles | |
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN108107911B (zh) | 一种太阳能飞机自主寻优航迹规划方法 | |
Hong et al. | Energy-efficient online path planning of multiple drones using reinforcement learning | |
CN109696830B (zh) | 小型无人直升机的强化学习自适应控制方法 | |
CN116414153B (zh) | 基于人工智能的无人机起降校正方法 | |
CN102289714B (zh) | 一种基于行为模型的小型无人旋翼机自主起降控制方法 | |
CN111221346A (zh) | 人群搜索算法优化pid控制四旋翼飞行器飞行的方法 | |
CN111176263B (zh) | 一种基于bp神经网络的飞行器推力故障在线辨识方法 | |
CN113467495B (zh) | 一种满足严格时间位置约束的飞行器快速轨迹优化方法 | |
CN113268074A (zh) | 一种基于联合优化的无人机航迹规划方法 | |
CN106980262A (zh) | 基于核递归最小二乘算法的自适应飞行器鲁棒控制方法 | |
CN116627154B (zh) | 基于位姿预测和轨迹优化的无人机引导降落方法及无人机 | |
CN110083168A (zh) | 基于增强学习的小型无人直升机定高控制方法 | |
Ferdaus et al. | Online identification of a rotary wing unmanned aerial vehicle from data streams | |
CN109375642B (zh) | 一种无人机节能控制方法 | |
CN107703953A (zh) | 一种无人机的姿态控制方法、装置、无人机及存储介质 | |
CN116954264B (zh) | 分布式高亚音速无人机集群控制系统及其方法 | |
Vargas et al. | System identification of multi-rotor uavs using echo state networks | |
Dudukcu et al. | Unmanned aerial vehicles (UAVs) battery power anomaly detection using temporal convolutional network with simple moving average algorithm | |
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 | |
CN112698666B (zh) | 一种基于气象栅格的飞行器航路优化方法 | |
CN113110558B (zh) | 一种混合推进无人机需求功率预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |