CN116794532A - 基于多模态传感器融合算法的无人机电池电量预测方法 - Google Patents
基于多模态传感器融合算法的无人机电池电量预测方法 Download PDFInfo
- Publication number
- CN116794532A CN116794532A CN202310749744.2A CN202310749744A CN116794532A CN 116794532 A CN116794532 A CN 116794532A CN 202310749744 A CN202310749744 A CN 202310749744A CN 116794532 A CN116794532 A CN 116794532A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- electric quantity
- target unmanned
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 230000007613 environmental effect Effects 0.000 claims abstract description 52
- 238000004590 computer program Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Abstract
本申请涉及一种基于多模态传感器融合算法的无人机电池电量预测方法。所述方法包括:获取设置于目标无人机上的传感器采集到的传感器数据;对传感器数据进行特征提取,得到目标无人机的环境特征数据;将环境特征数据输入至预训练的电量预测模型,得到目标无人机对应的预测消耗电量;根据目标无人机的当前剩余电量和预测消耗电量,确定目标无人机的预测剩余电量。采用本方法能够基于无人机所处运行环境的环境特征,充分考虑环境对无人机飞行状态和飞行任务的影响,预测无人机需要消耗的电量,进而基于无人机的当前剩余电量和预测消耗电量,预测无人机在对应运行环境中执行对应飞行任务后的剩余电量,提高无人机电池电量预测结果的准确度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于多模态传感器融合算法的无人机电池电量预测方法、系统、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着固定机库、移动机库等的大规模部署、无人机运用逐渐步入“无人化”时代,无人机不断深入应用到各领域中,无人机电池续航能力可以保证无人机运行的安全和稳定。
传统技术中,针对无人机电池电量的预测主要依赖于经验公式。
然而,无人机的实际运行受运行环境的影响较大,自然环境变化对无人机运行状态存在显著影响,无人机运行状态的改变会引起电池电量的变化,传统方法在进行无人机电池电量预测时,无法考虑到无人机自然环境对实际飞行的影响,不利于提高无人机电池电量预测结果的准确度。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高无人机电池电量预测结果准确度的基于多模态传感器融合算法的无人机电池电量预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种基于多模态传感器融合算法的无人机电池电量预测方法,所述方法包括:
获取设置于目标无人机上的传感器采集到的传感器数据;所述传感器数据包括所述目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据;
对所述传感器数据进行特征提取,得到所述目标无人机的环境特征数据;
将所述环境特征数据输入至预训练的电量预测模型,得到所述目标无人机对应的预测消耗电量;
根据所述目标无人机的当前剩余电量和所述预测消耗电量,确定所述目标无人机的预测剩余电量。
在其中一个实施例中,所述对所述传感器数据进行特征提取,得到所述目标无人机的环境特征数据,包括:
确定所述传感器数据中的异常数据和缺失数据;
删除所述异常数据,将所述缺失数据替换为所述缺失数据对应的预设填充数据,得到所述传感器数据对应的预处理数据;所述缺失数据与所述预设填充数据一一对应;
根据特征工程和所述预处理数据,确定所述目标无人机的环境特征数据。
在其中一个实施例中,所述方法还包括:
获取所述目标无人机对应的历史传感器数据;
根据所述历史传感器数据,确定所述历史传感器数据对应的预测消耗电量;
获取所述历史传感器数据对应的历史电量数据,根据所述历史电量数据和所述历史传感器数据对应的预测消耗电量,训练待训练的电量预测模型,得到训练后的电量预测模型。
在其中一个实施例中,所述方法还包括:
按照预设的时间间隔,获取所述目标无人机的当前剩余电量;
根据所述目标无人机的当前剩余电量和所述目标无人机的预测剩余电量,确定针对所述目标无人机的调度策略;所述调度策略用于控制所述目标无人机改变运动状态;
根据所述调度策略,调整所述目标无人机的飞行轨迹和电量分配策略。
第二方面,本申请还提供了一种基于多模态传感器融合算法的无人机电池电量预测系统,所述系统包括:传感器和控制器;
所述传感器,用于将采集到的传感器数据发送至所述控制器;
所述控制器,用于获取设置于目标无人机上的所述传感器采集到的传感器数据;所述传感器数据包括所述目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据;对所述传感器数据进行特征提取,得到所述目标无人机的环境特征数据;将所述环境特征数据输入至预训练的电量预测模型,得到所述目标无人机对应的预测消耗电量;根据所述目标无人机的当前剩余电量和所述预测消耗电量,确定所述目标无人机的预测剩余电量。
在其中一个实施例中,所述传感器包括摄像头、全球定位系统、惯性测量单元、气压计、温度传感器和风速传感器。
第三方面,本申请还提供了一种基于多模态传感器融合算法的无人机电池电量预测装置,所述装置包括:
获取模块,用于获取设置于目标无人机上的传感器采集到的传感器数据;所述传感器数据包括所述目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据;
提取模块,用于对所述传感器数据进行特征提取,得到所述目标无人机的环境特征数据;
预测模块,用于将所述环境特征数据输入至预训练的电量预测模型,得到所述目标无人机对应的预测消耗电量;
确定模块,用于根据所述目标无人机的当前剩余电量和所述预测消耗电量,确定所述目标无人机的预测剩余电量。
第四方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
第六方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述基于多模态传感器融合算法的无人机电池电量预测方法、装置、计算机设备、存储介质和计算机程序产品,通过获取设置于目标无人机上的传感器采集到的传感器数据;从而确定目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据;对传感器数据进行特征提取,得到目标无人机的环境特征数据,从而基于传感器数据进行特征提取,确定目标无人机的运行环境特征;将环境特征数据输入至预训练的电量预测模型,得到目标无人机对应的预测消耗电量,从而基于电量预测模型,利用无人机的运行环境特征,确定目标无人机在对应运行环境中执行对应飞行任务需要消耗的电量;根据目标无人机的当前剩余电量和预测消耗电量,确定目标无人机的预测剩余电量,实现基于目标无人机所处运行环境的环境特征,充分考虑环境特征对目标无人机飞行状态和飞行任务的影响,预测目标无人机在上述运行环境中执行对应飞行任务需要消耗的电量,得到准确的预测消耗电量,从而基于目标无人机的当前剩余电量和预测消耗电量,确定目标无人机在对应运行环境中执行对应飞行任务后的剩余电量,进而提高无人机电池电量预测结果的准确度。
附图说明
图1为一个实施例中一种基于多模态传感器融合算法的无人机电池电量预测方法的应用环境图;
图2为一个实施例中一种基于多模态传感器融合算法的无人机电池电量预测方法的流程示意图;
图3为另一个实施例中一种基于多模态传感器融合算法的无人机电池电量预测方法的流程示意图;
图4为一个实施例中一种基于多模态传感器融合算法的无人机电池电量预测装置的结构框图;
图5为一个实施例中一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的基于多模态传感器融合算法的无人机电池电量预测方法,可以应用于如图1所示的应用环境中。其中,电量预测系统102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104获取设置于目标无人机上的传感器采集到的传感器数据;传感器数据包括目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据;服务器104对传感器数据进行特征提取,得到目标无人机的环境特征数据;服务器104将环境特征数据输入至预训练的电量预测模型,得到目标无人机对应的预测消耗电量;服务器104根据目标无人机的当前剩余电量和预测消耗电量,确定目标无人机的预测剩余电量。其中,电量预测系统102可以包括目标无人机。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中,如图2所示,提供了一种基于多模态传感器融合算法的无人机电池电量预测方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S202,获取设置于目标无人机上的传感器采集到的传感器数据。
其中,目标无人机可以是指电量预测的对象,实际应用中,目标无人机的类型可以包括固定翼无人机和多旋翼无人机。
其中,设置于目标无人机上的传感器可以包括摄像头、全球定位系统、惯性测量单元、气压计、温度传感器和风速传感器。
其中,传感器数据可以是指设置于目标无人机上的传感器采集到的数据,实际应用中,传感器数据可以包括但不限于目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据。
作为一种示例,目标无人机在执行预设飞行任务(如巡航)的过程中,设置于目标无人机上的传感器按照预设的时间间隔(或实时)采集目标无人机所处的环境对应的数据,得到传感器数据,上述传感器将采集的传感器数据发送至服务器,服务器接收传感器发送的传感器数据。
步骤S204,对传感器数据进行特征提取,得到目标无人机的环境特征数据。
作为一种示例,服务器对传感器进行数据预处理,得到预处理后数据,服务器对预处理后数据进行特征提取,由于不同的运行环境对目标无人机运行状态的影响不同,可按照对目标无人机运行状态的影响大小,从预处理后数据中筛选出若干数据作为环境特征数据。
步骤S206,将环境特征数据输入至预训练的电量预测模型,得到目标无人机对应的预测消耗电量。
其中,电量预测模型可以是指用于计算目标无人机在环境特征数据对应的运行环境中执行对应飞行任务需要消耗的电量的模型,实际应用中,电量预测模型可以包括支持向量机、神经网络、决策树和随机森林。
其中,预测消耗电量可以是指目标无人机在环境特征数据对应的运行环境中执行对应飞行任务需要消耗的电量。
作为一种示例,服务器将环境特征数据输入至预训练的电量预测模型,电量预测模型根据环境特征数据,确定环境特征数据对应的运行环境,电量预测模型在学习目标无人机的历史电量变化情况与运行环境之间的映射关系的基础上(如基于大数据和人工智能对目标无人机的历史电量数据进行分析和挖掘,发掘出环境与电量之间更深入的规律和特征,从而提高电量预测模型的精度和鲁棒性),计算目标无人机在环境特征数据对应的运行环境中执行对应飞行任务所需消耗的电量,得到目标无人机对应的预测消耗电量,具体地,电量预测模型还可以结合目标无人机所执行的任务类型对应的相关指标,计算目标无人机的预测消耗电量。
步骤S208,根据目标无人机的当前剩余电量和预测消耗电量,确定目标无人机的预测剩余电量。
其中,目标无人机的当前剩余电量可以是指目标无人机当前时刻的剩余电量
其中,目标无人机的预测剩余电量可以是指目标无人机在环境特征数据对应的运行环境中完成对应飞行任务后,目标无人机的剩余电量的期望值。
作为一种示例,服务器得到目标无人机对应的预测消耗电量后,服务器根据目标无人机的当前剩余电量和预测消耗电量之间的差值,确定目标无人机的预测剩余电量,例如:目标无人机对应的预测消耗电量可表示为A1,目标无人机的当前剩余电量可表示为A0,则目标无人机在环境特征数据对应的运行环境中完成对应飞行任务后的剩余电量(预测剩余电量)A2可表示为A2=A0-A1;进一步地,服务器可基于预测消耗电量和实时监测到的实际电量,确定并解决目标无人机的电量问题,提高无人机的稳定性和可靠性。
上述基于多模态传感器融合算法的无人机电池电量预测方法中,通过获取设置于目标无人机上的传感器采集到的传感器数据;从而确定目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据;对传感器数据进行特征提取,得到目标无人机的环境特征数据,从而基于传感器数据进行特征提取,确定目标无人机的运行环境特征;将环境特征数据输入至预训练的电量预测模型,得到目标无人机对应的预测消耗电量,从而基于电量预测模型,利用无人机的运行环境特征,确定目标无人机在对应运行环境中执行对应飞行任务需要消耗的电量;根据目标无人机的当前剩余电量和预测消耗电量,确定目标无人机的预测剩余电量,实现基于目标无人机所处运行环境的环境特征,充分考虑环境特征对目标无人机飞行状态和飞行任务的影响,预测目标无人机在上述运行环境中执行对应飞行任务需要消耗的电量,得到准确的预测消耗电量,从而基于目标无人机的当前剩余电量和预测消耗电量,确定目标无人机在对应运行环境中执行对应飞行任务后的剩余电量,进而提高无人机电池电量预测结果的准确度。
在一些实施例中,对传感器数据进行特征提取,得到目标无人机的环境特征数据,包括:确定传感器数据中的异常数据和缺失数据;删除异常数据,将缺失数据替换为缺失数据对应的预设填充数据,得到传感器数据对应的预处理数据;根据特征工程和预处理数据,确定目标无人机的环境特征数据。
其中,异常数据可以是指传感器数据中与传感器数据的平均值之间的偏差超过两倍标准差的数据。
其中,缺失数据可以是指按照预设的填写规则将传感器数据填入对应的数据表的单元格后,上述数据表中本应有数据写入的单元格所缺少的数据。
其中,预设填充数据可以是指用于代替缺失数据写入对应单元格的数据,实际应用中,缺失数据与预设填充数据可以为一一对应的,预设填充数据可根据实际需求灵活调整。
其中,预处理数据可以是指将异常数据从传感器数据中删除,且将缺失数据替换为对应的预设填充数据后得到的数据。
作为一种示例,服务器对传感器数据进行预处理,如:服务器对传感器数据进行校验,筛选出传感器数据中的异常数据,服务器对传感器数据进行检查,确定出传感器数据中的缺失数据,服务器将异常数据从传感器数据中删除,将缺失数据替换为对应的预设填充数据,服务器将预处理后的传感器数据作为传感器数据对应的预处理数据,服务器基于特征工程对预处理数据进行特征提取(如数据清洗、特征选择等)操作,得到目标无人机的环境特征数据。
本实施例中,通过确定传感器数据中的异常数据和缺失数据;删除异常数据,将缺失数据替换为缺失数据对应的预设填充数据,得到传感器数据对应的预处理数据;根据特征工程和预处理数据,确定目标无人机的环境特征数据,能够对传感器数据进行预处理,排除异常数据和缺失数据对电量预测的影响,进而基于特征工程,提取目标无人机的环境特征数据,提高环境特征数据的准确性。
在一些实施例中,上述方法还包括:获取目标无人机对应的历史传感器数据;根据历史传感器数据,确定历史传感器数据对应的预测消耗电量;获取历史传感器数据对应的历史电量数据,根据历史电量数据和历史传感器数据对应的预测消耗电量,训练待训练的电量预测模型,得到训练后的电量预测模型。
其中,历史传感器数据可以是指目标无人机历史运行过程中采集到的传感器数据。
其中,历史传感器数据对应的预测消耗电量可以是指基于电量预测模型,根据历史传感器数据得到的预测消耗电量,实际应用中,将预处理后的历史传感器数据输入至待训练的电量预测模型,得到历史传感器数据对应的预测消耗电量。
其中,历史传感器数据对应的历史电量数据可以是指目标无人机在历史传感器数据对应的运行环境中运行过程中,目标无人机的电量的变化情况。
作为一种示例,为了提高电量预测模型输出的预测消耗电量的准确性,需要对电量预测模型进行训练,服务器获取目标无人机对应的历史传感器数据,服务器将历史传感器数据输入至待训练的电量预测模型,得到历史传感器数据对应的预测消耗电量,服务器根据历史电量数据和历史传感器数据对应的预测消耗电量,训练电量预测模型,以使历史传感器数据对应的预测消耗电量更准确,得到训练后的电量预测模型,训练后的电量预测模型可作为预训练的电量预测模型,例如:t0至t1时间段内的历史传感器数据不发生变化,t0时刻目标无人机的历史电量数据可表示为A3,t1时刻目标无人机的历史电量数据可表示为A4,服务器将上述历史传感器数据输入至待训练的电量预测模型,得到上述历史传感器数据对应的预测消耗电量A5,t0至t1时间段内目标无人机的实际消耗电量A6可表示为A6=A4-A3,当t0至t1时间段内目标无人机的实际消耗电量A6与上述历史传感器数据对应的预测消耗电量A5之间的差值小于预设的电量差阈值的情况下,服务器判定电量预测模型训练完成,得到预训练的电量预测模型,具体实现中,电量预测模型的训练(优化)可以包括调整模型参数和改变模型结构,电量预测模型可使用在线学习的方式进行训练(深度学习和强化学习)和更新,进一步地,服务器还可实时基于目标无人机的当前剩余电量和预测剩余电量对电量预测模型进行调整,电量预测模型可通过对不同无人机的电池特性(如锂电池特征、镍氢电池特征)进行学习和建模,实现对不同型号无人机的电量预测,电量预测模型可通过云端技术进行模型共享和远程升级,实现模型的持续优化和升级,电量预测模型可基于目标无人机的历史电量数据,预测目标无人机的电量变化趋势和规律,为无人机的长期运营提供参考,电量预测模型还可以对目标无人机的飞行任务进行分类,分类构建针对不同飞行任务的电量预测模型,提高预测结果的精度。
本实施例中,通过获取目标无人机对应的历史传感器数据;根据历史传感器数据,确定历史传感器数据对应的预测消耗电量;获取历史传感器数据对应的历史电量数据,根据历史电量数据和历史传感器数据对应的预测消耗电量,训练待训练的电量预测模型,得到训练后的电量预测模型,能够基于目标无人机的历史数据,训练电量预测模型,提高电量预测模型输出结果的准确度。
在一些实施例中,上述方法还包括:按照预设的时间间隔,获取目标无人机的当前剩余电量;根据目标无人机的当前剩余电量和目标无人机的预测剩余电量,确定针对目标无人机的调度策略;根据调度策略,调整目标无人机的飞行轨迹和电量分配策略。
其中,预设的时间间隔可以是指获取两次传感器数据或电量数据时的最小时间差。
其中,调度策略可以是指用于控制目标无人机改变运动状态的指令。
其中,飞行轨迹可以是指目标无人机的运行轨迹。
其中,电量分配策略可以是指用于控制目标无人机向目标无人机的各组件分配电量的指令。
作为一种示例,服务器按照预设的时间间隔(或实时)获取目标无人机的当前剩余电量(实际电量),服务器根据目标无人机的当前剩余电量与目标无人机的预测剩余电量之间的差值,确定针对目标无人机的调度策略,服务器根据调度策略,调整目标无人机的飞行轨迹和电量分配策略,例如:当目标无人机的当前剩余电量大于目标无人机的预测剩余电量,服务器将不改变飞行轨迹和不改变电量分配策略作为调度策略,当目标无人机的当前剩余电量与目标无人机的预测剩余电量之间的差值大于预设的电量差值阈值时,服务器将改变飞行轨迹(如结合无人机的实时位置信息和航线规划,优化无人机的飞行路径和速度,减少无人机电量消耗,提高飞行效率和续航能力)和改变电量分配策略(如减少分配给某个组件的电量)作为调度策略,从而优化目标无人机的飞行任务;调度策略可调整目标无人机的飞行策略,避免电量提前耗尽,保证无人机的飞行安全和稳定;预测剩余电量可通过与目标无人机的飞控系统进行接口对接,实现无人机电量的实时监测和控制,预测剩余电量可通过可视化展示,向用户反映无人机电量的实时变化情况,预测剩余电量可存储在无人机或云端服务器,方便用户查看和管理,预测剩余电量可与无人机航路规划、充电调度等系统进行集成,实现无人机运营管理的智能化,服务器可结合预测剩余电量与无人机的充电规划,实现无人机的自动充电(如选择和管理合适的充电能源,如太阳能、风能等),提高无人机的续航能力和运行效率,预测剩余电量可通过与服务器之间的共享和协同,优化无人机的运营和调度效率,实现无人机飞行的智能化和自动化,预测剩余电量可用于无人机电池容量和寿命的预测和管理,提高无人机电池的使用寿命和使用效率。
本实施例中,通过按照预设的时间间隔,获取目标无人机的当前剩余电量;根据目标无人机的当前剩余电量和目标无人机的预测剩余电量,确定针对目标无人机的调度策略;根据调度策略,调整目标无人机的飞行轨迹和电量分配策略,能够基于目标无人机的当前剩余电量和预测剩余电量,调整目标无人机的飞行轨迹和电量分配,保证无人机的稳定安全运行。
在一些实施例中,提供了一种基于多模态传感器融合算法的无人机电池电量预测系统,其特征在于,系统包括:传感器和控制器;传感器,用于将采集到的传感器数据发送至控制器;控制器,用于获取设置于目标无人机上的传感器采集到的传感器数据;传感器数据包括目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据;对传感器数据进行特征提取,得到目标无人机的环境特征数据;将环境特征数据输入至预训练的电量预测模型,得到目标无人机对应的预测消耗电量;根据目标无人机的当前剩余电量和预测消耗电量,确定目标无人机的预测剩余电量。
实际应用中,控制器中的数据处理模块和电量预测模型可分布式部署在多个无人机控制节点,实现无人机电量数据的分布式处理和管理。
作为一种示例,基于多模态传感器融合算法的无人机电池电量预测系统可通过与其他无人机系统和设备的互联互通,实现无人机电量预测数据的共享和交换,优化系统运营和效率,上述无人机电池电量预测系统可利用无人机网络和云计算技术,实现无人机电量数据的远程监控和管理,提高系统的智能化和自动化程度,上述无人机电池电量预测系统可将电量预测模型应用于无人机的自主飞行和集群协同,实现无人机的智能化和自适应性,上述无人机电池电量预测系统可通过对无人机的预测剩余电量进行分析,确定无人机的故障和异常情况,提高无人机的安全性和可靠性,上述无人机电池电量预测系统可与无人机导航系统、遥控系统等无人机相关系统进行集成,实现无人机的智能化控制和管理,上述无人机电池电量预测系统可结合区块链技术,实现无人机电量数据的安全存储和共享,保护无人机电量数据的隐私和安全,上述无人机电池电量预测系统可应用于无人机的多个方面,如无人机的航迹规划、动态任务调度、维修保养等,提高无人机的运营效率和可靠性。
本实施例中,基于多模态传感器融合算法的无人机电池电量预测系统通过传感器采集传感器数据,通过控制器,利用传感器数据计算预测剩余电量,能够提高无人机电池电量预测结果的准确度。
在一些实施例中,传感器包括摄像头、全球定位系统、惯性测量单元、气压计、温度传感器和风速传感器。
作为一种示例,传感器可以通过无线通信技术与服务器进行实时的数据传输,传感器可通过人工智能算法进行自动校准和误差修正,实际应用中,可利用无人机多模态传感器融合技术,综合考虑无人机的不同传感器数据信息,提高电量预测模型的准确性和鲁棒性。
本实施例中,通过采集和融合多种传感器采集的传感器数据,能够提高传感器数据的准确性和可靠性。
在一些实施例中,如图3所示,提供了一种基于多模态传感器融合算法的无人机电池电量预测方法的流程示意图,服务器实时收集设置于目标无人机上的多种传感器采集到的传感器数据,服务器对传感器数据进行预处理,得到预处理数据,服务器将预处理数据输入至预训练的电量预测模型,电量预测模型对预处理数据进行分析,计算目标无人机对应的预测消耗电量,服务器根据无人机的当前剩余电量和目标无人机对应的预测消耗电量,计算得到目标无人机的预测剩余电量,以随机森林回归模型进行预测为例,根据时间特征和气象特征,可以帮助电量预测模型更好地理解无人机的环境和运行情况,还可以使用均方误差来评估模型的性能,基于多模态传感器融合算法的无人机电池电量预测方法可通过运行基于机器学习的代码文件实现。
本实施例中,通过基于传感器数据预测目标无人机的消耗电量和剩余电量,能够避免局地微气象情况对无人机电池电量预测的影响,实时预测和更新无人机的剩余电量,进而基于预测剩余电量调整无人机任务,保证无人机的飞行安全稳定。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于多模态传感器融合算法的无人机电池电量预测方法的基于多模态传感器融合算法的无人机电池电量预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于多模态传感器融合算法的无人机电池电量预测装置实施例中的具体限定可以参见上文中对于基于多模态传感器融合算法的无人机电池电量预测方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种基于多模态传感器融合算法的无人机电池电量预测装置,包括:获取模块402、提取模块404、预测模块406和确定模块408,其中:
获取模块402,用于获取设置于目标无人机上的传感器采集到的传感器数据;所述传感器数据包括所述目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据。
提取模块404,用于对所述传感器数据进行特征提取,得到所述目标无人机的环境特征数据。
预测模块406,用于将所述环境特征数据输入至预训练的电量预测模型,得到所述目标无人机对应的预测消耗电量。
确定模块408,用于根据所述目标无人机的当前剩余电量和所述预测消耗电量,确定所述目标无人机的预测剩余电量。
在一个示例性实施例中,上述提取模块404具体还用于确定所述传感器数据中的异常数据和缺失数据;删除所述异常数据,将所述缺失数据替换为所述缺失数据对应的预设填充数据,得到所述传感器数据对应的预处理数据;所述缺失数据与所述预设填充数据一一对应;根据特征工程和所述预处理数据,确定所述目标无人机的环境特征数据。
在一个示例性实施例中,上述装置还包括训练模块,该训练模块具体用于获取所述目标无人机对应的历史传感器数据;根据所述历史传感器数据,确定所述历史传感器数据对应的预测消耗电量;获取所述历史传感器数据对应的历史电量数据,根据所述历史电量数据和所述历史传感器数据对应的预测消耗电量,训练待训练的电量预测模型,得到训练后的电量预测模型。
在一个示例性实施例中,上述装置还包括调度模块,该调度模块具体用于按照预设的时间间隔,获取所述目标无人机的当前剩余电量;根据所述目标无人机的当前剩余电量和所述目标无人机的预测剩余电量,确定针对所述目标无人机的调度策略;所述调度策略用于控制所述目标无人机改变运动状态;根据所述调度策略,调整所述目标无人机的飞行轨迹和电量分配策略。
上述基于多模态传感器融合算法的无人机电池电量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于多模态传感器融合算法的无人机电池电量预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多模态传感器融合算法的无人机电池电量预测方法,其特征在于,所述方法包括:
获取设置于目标无人机上的传感器采集到的传感器数据;所述传感器数据包括所述目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据;
对所述传感器数据进行特征提取,得到所述目标无人机的环境特征数据;
将所述环境特征数据输入至预训练的电量预测模型,得到所述目标无人机对应的预测消耗电量;
根据所述目标无人机的当前剩余电量和所述预测消耗电量,确定所述目标无人机的预测剩余电量。
2.根据权利要求1所述的方法,其特征在于,所述对所述传感器数据进行特征提取,得到所述目标无人机的环境特征数据,包括:
确定所述传感器数据中的异常数据和缺失数据;
删除所述异常数据,将所述缺失数据替换为所述缺失数据对应的预设填充数据,得到所述传感器数据对应的预处理数据;所述缺失数据与所述预设填充数据一一对应;
根据特征工程和所述预处理数据,确定所述目标无人机的环境特征数据。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标无人机对应的历史传感器数据;
根据所述历史传感器数据,确定所述历史传感器数据对应的预测消耗电量;
获取所述历史传感器数据对应的历史电量数据,根据所述历史电量数据和所述历史传感器数据对应的预测消耗电量,训练待训练的电量预测模型,得到训练后的电量预测模型。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
按照预设的时间间隔,获取所述目标无人机的当前剩余电量;
根据所述目标无人机的当前剩余电量和所述目标无人机的预测剩余电量,确定针对所述目标无人机的调度策略;所述调度策略用于控制所述目标无人机改变运动状态;
根据所述调度策略,调整所述目标无人机的飞行轨迹和电量分配策略。
5.一种基于多模态传感器融合算法的无人机电池电量预测系统,其特征在于,所述系统包括:传感器和控制器;
所述传感器,用于将采集到的传感器数据发送至所述控制器;
所述控制器,用于获取设置于目标无人机上的所述传感器采集到的传感器数据;所述传感器数据包括所述目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据;对所述传感器数据进行特征提取,得到所述目标无人机的环境特征数据;将所述环境特征数据输入至预训练的电量预测模型,得到所述目标无人机对应的预测消耗电量;根据所述目标无人机的当前剩余电量和所述预测消耗电量,确定所述目标无人机的预测剩余电量。
6.根据权利要求5所述的系统,其特征在于,所述传感器包括摄像头、全球定位系统、惯性测量单元、气压计、温度传感器和风速传感器。
7.一种基于多模态传感器融合算法的无人机电池电量预测装置,其特征在于,所述装置包括:
获取模块,用于获取设置于目标无人机上的传感器采集到的传感器数据;所述传感器数据包括所述目标无人机的实际运行环境对应的图像数据、位置数据、加速度数据、气压数据、温度数据和风速数据;
提取模块,用于对所述传感器数据进行特征提取,得到所述目标无人机的环境特征数据;
预测模块,用于将所述环境特征数据输入至预训练的电量预测模型,得到所述目标无人机对应的预测消耗电量;
确定模块,用于根据所述目标无人机的当前剩余电量和所述预测消耗电量,确定所述目标无人机的预测剩余电量。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
9.一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,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310749744.2A CN116794532A (zh) | 2023-06-21 | 2023-06-21 | 基于多模态传感器融合算法的无人机电池电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310749744.2A CN116794532A (zh) | 2023-06-21 | 2023-06-21 | 基于多模态传感器融合算法的无人机电池电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116794532A true CN116794532A (zh) | 2023-09-22 |
Family
ID=88035905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310749744.2A Pending CN116794532A (zh) | 2023-06-21 | 2023-06-21 | 基于多模态传感器融合算法的无人机电池电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116794532A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117318254A (zh) * | 2023-11-30 | 2023-12-29 | 深圳航天科创泛在电气有限公司 | 无线充电方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-06-21 CN CN202310749744.2A patent/CN116794532A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117318254A (zh) * | 2023-11-30 | 2023-12-29 | 深圳航天科创泛在电气有限公司 | 无线充电方法、装置、电子设备及可读存储介质 |
CN117318254B (zh) * | 2023-11-30 | 2024-03-19 | 深圳航天科创泛在电气有限公司 | 无线充电方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3850551A1 (en) | Systems and methods for managing energy storage systems | |
US20230139003A1 (en) | Systems and methods for managing velocity profiles | |
CN110481536B (zh) | 一种应用于混合动力汽车的控制方法及设备 | |
KR20180010321A (ko) | 예측 모델들의 동적 실행 | |
KR102621640B1 (ko) | 자동화된 의사 결정을 위한 방법 및 장치 | |
CN116794532A (zh) | 基于多模态传感器融合算法的无人机电池电量预测方法 | |
US20200379417A1 (en) | Techniques for using machine learning for control and predictive maintenance of buildings | |
CN111415026A (zh) | 无人设备调度装置、系统和方法 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
WO2016118122A1 (en) | Optimization of truck assignments in a mine using simulation | |
CN108053079A (zh) | 一种用于机务外场的备件数量预测方法和系统 | |
CN113110601A (zh) | 一种无人机电力线路巡检路径优化方法及装置 | |
CN115954933A (zh) | 电网数字孪生系统构建方法、装置、电子设备和存储介质 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
WO2023114033A1 (en) | Energy consumption prediction for machine | |
CN114510072B (zh) | 基于进化迁移优化的多无人机路径规划方法、终端及介质 | |
CN116047934A (zh) | 一种无人机集群的实时仿真方法、系统以及电子设备 | |
CN116345578A (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
Li et al. | Multi-mechanism swarm optimization for multi-UAV task assignment and path planning in transmission line inspection under multi-wind field | |
Liu et al. | Edge-enhanced attentions for drone delivery in presence of winds and recharging stations | |
US20230196846A1 (en) | Machine and battery system prognostics | |
Qian et al. | Practical mission planning for optimized uav-sensor wireless recharging | |
KR102613227B1 (ko) | 빅데이터 및 머신 러닝에 기반한 농업용 저수지 이수 안전도 평가를 위한 전자 장치 및 전자 장치의 제어 방법 | |
Tong et al. | An Energy-aware and Fault-tolerant Deep Reinforcement Learning based approach for Multi-agent Patrolling Problems | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 |
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 |