CN116859985A - 一种四旋翼自动追踪功能实现方法 - Google Patents
一种四旋翼自动追踪功能实现方法 Download PDFInfo
- Publication number
- CN116859985A CN116859985A CN202310638500.7A CN202310638500A CN116859985A CN 116859985 A CN116859985 A CN 116859985A CN 202310638500 A CN202310638500 A CN 202310638500A CN 116859985 A CN116859985 A CN 116859985A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- model
- calculating
- flight
- 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 24
- 238000003860 storage Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 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 description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种四旋翼自动追踪功能实现方法,属于无人机自动控制技术领域,该自动追踪功能实现方法具体步骤如下:(1)采集环境影像并对其进行影像优化;(2)分析障碍物信息并构建相关区域模型;(3)检索追踪目标位置并进行路径规划;(4)实时采集无人机电量信息以进行飞行调控;(5)记录无人机追踪信息并进行区块化存储;本发明能够降低无人机使用局限性,有效地提高无人机对障碍物的分辨能力,保证无人机的安全飞行,不会与周边环境和建筑物碰撞,提高无人机使用寿命,无需用户手动建模寻参,节省用户配置时间,同时保证无人机能够实时调整自身飞行状态,降低无人机飞行消耗,延长无人机使用时间。
Description
技术领域
本发明涉及无人机自动控制技术领域,尤其涉及一种四旋翼自动追踪功能实现方法。
背景技术
目前,四轴飞行器已在军事、民用等各个方面均取得广泛应用。当前的四旋翼在相机等设备的支持下可以实现拍摄照片和录制视频等功能,并且常常用于航拍、测绘和安保等领域。然而,传统的四旋翼飞行器需要人工操控,无法实现自动跟踪功能,而在一些场合,如拍摄影视作品、科研实验等,需要对移动物体进行自动跟踪。目前市场上已有部分四旋翼飞行器具备自动追踪功能,但其对物体的自动识别和跟踪的精度和效率有待提高;因此,发明出一种四旋翼自动追踪功能实现方法变得尤为重要。
现有的四旋翼四旋翼自动追踪功能实现方法无人机对障碍物的分辨能力差,无法保证无人机安全飞行;此外,现有的四旋翼四旋翼自动追踪功能实现方法需用户手动建模寻参,配置时间较长,且无人机无法实时调整自身飞行状态,无人机飞行消耗较高;为此,我们提出一种四旋翼四旋翼自动追踪功能实现方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种四旋翼自动追踪功能实现方法。
为了实现上述目的,本发明采用了如下技术方案:
一种四旋翼自动追踪功能实现方法,该自动追踪功能实现方法具体步骤如下:
(1)采集环境影像并对其进行影像优化;
(2)分析障碍物信息并构建相关区域模型;
(3)检索追踪目标位置并进行路径规划;
(4)实时采集无人机电量信息以进行飞行调控;
(5)记录无人机追踪信息并进行区块化存储。
作为本发明的进一步方案,步骤(1)中所述影像优化具体步骤如下:
步骤一:通过OpenMV摄像头采集环境影像,将采集到的环境影像进行逐帧提取以获取多组环境图片,之后依据各环境图片显示比列进行分块处理,之后对分块后的各组环境图片通过傅里叶变换对数据中高频成分进行分析提取;
步骤二:通过高斯滤波对各组环境图片进行平滑处理,使用规定像素的窗口在各组图像信息中移动,每移动一次计算此时窗口下的灰度共生矩阵,从灰度共生矩阵中计算相关图像信息中的纹理特征,并进行记录。
作为本发明的进一步方案,步骤二中所述纹理特征具体计算公式如下:
式中,P(i,j)代表图像像素点的值;L代表灰度级的数目;
其中,公式(1)用于计算纹理特征能量值;公式(2)用于计算纹理特征熵值;公式(3)用于计算纹理特征对比度;公式(4)用于计算纹理特征相关性。
作为本发明的进一步方案,步骤(3)中所述区域模型具体构建步骤如下:
步骤①:通过图像金字塔对优化后的图像信息进行尺度归一化处理,并提取各组图像信息的特征,之后通过双向特征金字塔进行特征融合以获取障碍检测框;
步骤②:依据障碍检测框对各图像信息进行扩大化剪裁以获取目标图像,之后提取窗口滑动获取的纹理特征,并将得到的特征值按数组的形式储存到相应的像素位置;
步骤③:当像素特征值满足预设条件时,则判断当前像素区域为障碍物,并将其标记为1,若不满足,则判断当前像素区域为自由区域,并标记为0,并依据判断结果进行区域分离;
步骤④:依据采集的区域影像以及障碍物信息按照一定比例构建相对应的三维模型,之后依据无人机尺寸信息将该三维模型进行栅格化处理,之后计算地图中所有障碍物面积之和,并依据面积和计算栅格粒度;
步骤⑤:依据预设顺序为每一组栅格设定唯一的序号,之后确定无人机位于栅格地图的位置,并将存在障碍物栅格标记为1,自由区域标记为0以获取对应区域模型。
作为本发明的进一步方案,步骤(4)中所述路径规划具体步骤如下:
步骤Ⅰ:依据该栅格地图上的0与1的分布以及跟踪目标位置规划多组无人机行径路线,将所有的行径路线的集合表示为种群,并结合遗传算法生成种群矩阵;
步骤Ⅱ:随机从种群中选择两组个体,再分别从两组个体中选取某一段路径,然后进行交换得到新的两组新的个体,再随机选择一组个体,并随机选择个体中的两段路径进行交换;
步骤III:路径优化完成后,从路径终点开始遍历每个栅格,若某栅格可以与起点无障碍相连,则起点与栅格中间的栅格就是冗余节点,冗余节点确认完成后,删除这些冗余节点并重新计算路径的适应度函数,并通过不断迭代对路径进行不断优化;
步骤Ⅳ:从种群矩阵中选择多次个体来建立新的矩阵,同时选择最大适应度的个体,并与新的矩阵拼接形成新的种群以完成对行径路线的迭代,并保存最优行径路线,同时将最优行径路径发送至控制器,之后控制器通过相应算法控制电机进行动态调整。
作为本发明的进一步方案,步骤(4)中所述飞行调控具体步骤如下:
第一步:获取过往无人机飞行电量消耗数据,并将各组数据整合成一组样本数据集,之后计算该样本数据集标准偏差,并依据计算出的标准偏差筛除异常数据,再对剩余数据先作标准化处理再进行归一化;
第二步:将归一化后的数据划分为测试集以及训练集,之后对一组卷积神经网络的参数设定向量进行赋值,再依据预设信息确定各神经网络层神经元数并确定各神经元激励函数;
第三步:将训练集输入神经网络输入层中,并获取输出层为隐节点输出的线性组合,之后计算该卷积神经网络多轮学习后的能量函数,当能量函数小于目标误差时,训练结束并输出分析调控模型;
第四步:将测试集导入分析调控模型中进行测试,并计算该分析调控模型损失值,若损失值不符合预设期望值,则对该分析调控模型进行参数更新;
第五步:分析调控模型接收无人机飞行速度、电量损耗、目标位置以及区域模型,并将各项参数录入分析调控模型中以输出预测曲线,并依据预测结果生成调控方案,并通过控制器对无人机的飞行轨迹以及飞行高度进行实时调整。
作为本发明的进一步方案,第四步中所述分析调控模型参数更新具体步骤如下:
第Ⅰ步:在分析调控模型的规定区间内初始化网络连接权值,再从训练时的输入以及输出对的集合中提交训练样本,并计算该分析调控模型的输出,再比较期望的网络输出与实际的网络输出,并且计算所有神经元的局部误差;
第Ⅱ步:当局部误差超出预设阈值后,依据学习规则方程对该分析调控模型的权值进行训练以及更新,并依据预设的学习率以及步长列出所有可能的数据结果;
第III步:对于每一组数据结果,选取任意一个子集作为测试集,其余子集作为训练集,训练测试模型后对测试集进行检测,并统计检测结果的均方根误差,再将测试集更换为另一子集,并取剩余子集作为训练集,再次统计均方根误差,直至对所有数据都进行一次预测,选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换分析调控模型原有参数。
相比于现有技术,本发明的有益效果在于:
1、该四旋翼自动追踪功能实现方法通过OpenMV摄像头采集环境影像后,对其进行预处理,之后计算该环境影像纹理特征并记录,通过图像金字塔对优化后的图像信息进行处理,并提取特征,之后通过双向特征金字塔进行特征融合以获取障碍检测框,根据障碍检测框对各图像信息进行扩大化剪裁以获取目标图像,依据计算处理的纹理特征进行障碍物分离,再构建相对应的三维模型,之后依据无人机尺寸信息将该三维模型进行栅格化处理,之后无人机根据该栅格地图上的0与1的分布以及跟踪目标位置规划多组无人机行径路线,将所有的行径路线的集合表示为种群,并结合遗传算法生成种群矩阵以进行路径优化,同时选择最大适应度的个体,并与新的矩阵拼接形成新的种群以完成对行径路线的迭代,并保存最优行径路线,能够降低无人机使用局限性,有效地提高无人机对障碍物的分辨能力,保证无人机的安全飞行,不会与周边环境和建筑物碰撞,提高无人机使用寿命。
2、该四旋翼自动追踪功能实现方法通过获取过往无人机飞行电量消耗数据,并筛除其中异常数据,再对剩余数据进行预处理后划分为测试集以及训练集,之后设定一组卷积神经网络的各项信息,再将训练集输入神经网络输入层中进行训练,当能量函数小于目标误差时,训练结束并输出分析调控模型,之后将测试集导入分析调控模型中进行测试,并计算该分析调控模型损失值,若损失值不符合预设期望值,则对该分析调控模型进行参数更新,分析调控模型接收无人机飞行速度、电量损耗、目标位置以及区域模型,并将各项参数录入分析调控模型中以输出预测曲线,并依据预测结果生成调控方案,并通过控制器对无人机的飞行轨迹以及飞行高度进行实时调整,无需用户手动建模寻参,节省用户配置时间,同时保证无人机能够实时调整自身飞行状态,降低无人机飞行消耗,延长无人机使用时间。
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,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。
图1为本发明提出的一种四旋翼自动追踪功能实现方法的流程框图。
具体实施方式
实施例1
参照图1,一种四旋翼自动追踪功能实现方法,该自动追踪功能实现方法具体步骤如下:
采集环境影像并对其进行影像优化。
具体的,无人机通过OpenMV摄像头采集环境影像,将采集到的环境影像进行逐帧提取以获取多组环境图片,之后依据各环境图片显示比列进行分块处理,之后对分块后的各组环境图片通过傅里叶变换对数据中高频成分进行分析提取,再通过高斯滤波对各组环境图片进行平滑处理,使用规定像素的窗口在各组图像信息中移动,每移动一次计算此时窗口下的灰度共生矩阵,从灰度共生矩阵中计算相关图像信息中的纹理特征,并进行记录。
本实施例中,纹理特征具体计算公式如下:
式中,P(i,j)代表图像像素点的值;L代表灰度级的数目;
其中,公式(1)用于计算纹理特征能量值;公式(2)用于计算纹理特征熵值;公式(3)用于计算纹理特征对比度;公式(4)用于计算纹理特征相关性。
分析障碍物信息并构建相关区域模型。
具体的,通过图像金字塔对优化后的图像信息进行尺度归一化处理,并提取各组图像信息的特征,之后通过双向特征金字塔进行特征融合以获取障碍检测框,根据障碍检测框对各图像信息进行扩大化剪裁以获取目标图像,之后提取窗口滑动获取的纹理特征,并将得到的特征值按数组的形式储存到相应的像素位置,当像素特征值满足预设条件时,则判断当前像素区域为障碍物,并将其标记为1,若不满足,则判断当前像素区域为自由区域,并标记为0,并依据判断结果进行区域分离,依据采集的区域影像以及障碍物信息按照一定比例构建相对应的三维模型,之后依据无人机尺寸信息将该三维模型进行栅格化处理,之后计算地图中所有障碍物面积之和,并依据面积和计算栅格粒度,依据预设顺序为每一组栅格设定唯一的序号,之后确定无人机位于栅格地图的位置,并将存在障碍物栅格标记为1,自由区域标记为0以获取对应区域模型。
检索追踪目标位置并进行路径规划。
具体的,无人机控制器根据该栅格地图上的0与1的分布以及跟踪目标位置规划多组无人机行径路线,将所有的行径路线的集合表示为种群,并结合遗传算法生成种群矩阵,随机从种群中选择两组个体,再分别从两组个体中选取某一段路径,然后进行交换得到新的两组新的个体,再随机选择一组个体,并随机选择个体中的两段路径进行交换,路径优化完成后,从路径终点开始遍历每个栅格,若某栅格可以与起点无障碍相连,则起点与栅格中间的栅格就是冗余节点,冗余节点确认完成后,删除这些冗余节点并重新计算路径的适应度函数,并通过不断迭代对路径进行不断优化,从种群矩阵中选择多次个体来建立新的矩阵,同时选择最大适应度的个体,并与新的矩阵拼接形成新的种群以完成对行径路线的迭代,并保存最优行径路线,同时将最优行径路径发送至控制器,之后控制器通过相应算法控制电机进行动态调整。
需要进一步说明的是,该四旋翼无人机控制器具体为单片机STM32H7系列,其运行频率高达480MHz。
实施例2
参照图1,一种四旋翼自动追踪功能实现方法,该自动追踪功能实现方法具体步骤如下:
实时采集无人机电量信息以进行飞行调控。
具体的,获取过往无人机飞行电量消耗数据,并将各组数据整合成一组样本数据集,之后计算该样本数据集标准偏差,并依据计算出的标准偏差筛除异常数据,再对剩余数据先作标准化处理再进行归一化,将处理后的数据划分为测试集以及训练集,之后对一组卷积神经网络的参数设定向量进行赋值,再依据预设信息确定各神经网络层神经元数并确定各神经元激励函数,将训练集输入神经网络输入层中,并获取输出层为隐节点输出的线性组合,之后计算该卷积神经网络多轮学习后的能量函数,当能量函数小于目标误差时,训练结束并输出分析调控模型,将测试集导入分析调控模型中进行测试,并计算该分析调控模型损失值,若损失值不符合预设期望值,则对该分析调控模型进行参数更新,分析调控模型接收无人机飞行速度、电量损耗、目标位置以及区域模型,并将各项参数录入分析调控模型中以输出预测曲线,并依据预测结果生成调控方案,并通过控制器对无人机的飞行轨迹以及飞行高度进行实时调整。
本实施例中,在分析调控模型的规定区间内初始化网络连接权值,再从训练时的输入以及输出对的集合中提交训练样本,并计算该分析调控模型的输出,再比较期望的网络输出与实际的网络输出,并且计算所有神经元的局部误差,当局部误差超出预设阈值后,依据学习规则方程对该分析调控模型的权值进行训练以及更新,并依据预设的学习率以及步长列出所有可能的数据结果,对于每一组数据结果,选取任意一个子集作为测试集,其余子集作为训练集,训练测试模型后对测试集进行检测,并统计检测结果的均方根误差,再将测试集更换为另一子集,并取剩余子集作为训练集,再次统计均方根误差,直至对所有数据都进行一次预测,选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换分析调控模型原有参数。
记录无人机追踪信息并进行区块化存储。
本实施例中,将本次无人机跟踪数据预处理成符合条件的区块,在该区块入网时,区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码,当某一节点等待本地角色成为候选节点时,向网络中其他节点广播领导申请并发送,当该候选节点成为领导节点后,其他节点成为跟随节点,之后领导节点广播区块记录信息,跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数,并使用重复次数最多的信息生成区块头,同时向领导节点发送验证申请,验证通过后,领导节点发送添加命令并进入沉睡期,跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。
Claims (7)
1.一种四旋翼自动追踪功能实现方法,其特征在于,该自动追踪功能实现方法具体步骤如下:
(1)采集环境影像并对其进行影像优化;
(2)分析障碍物信息并构建相关区域模型;
(3)检索追踪目标位置并进行路径规划;
(4)实时采集无人机电量信息以进行飞行调控;
(5)记录无人机追踪信息并进行区块化存储。
2.根据权利要求1所述的一种四旋翼自动追踪功能实现方法,其特征在于,步骤(1)中所述影像优化具体步骤如下:
步骤一:通过OpenMV摄像头采集环境影像,将采集到的环境影像进行逐帧提取以获取多组环境图片,之后依据各环境图片显示比列进行分块处理,之后对分块后的各组环境图片通过傅里叶变换对数据中高频成分进行分析提取;
步骤二:通过高斯滤波对各组环境图片进行平滑处理,使用规定像素的窗口在各组图像信息中移动,每移动一次计算此时窗口下的灰度共生矩阵,从灰度共生矩阵中计算相关图像信息中的纹理特征,并进行记录。
3.根据权利要求2所述的一种四旋翼自动追踪功能实现方法,其特征在于,步骤二中所述纹理特征具体计算公式如下:
式中,P(i,j)代表图像像素点的值;L代表灰度级的数目;
其中,公式(1)用于计算纹理特征能量值;公式(2)用于计算纹理特征熵值;公式(3)用于计算纹理特征对比度;公式(4)用于计算纹理特征相关性。
4.根据权利要求1所述的一种四旋翼自动追踪功能实现方法,其特征在于,步骤(3)中所述区域模型具体构建步骤如下:
步骤①:通过图像金字塔对优化后的图像信息进行尺度归一化处理,并提取各组图像信息的特征,之后通过双向特征金字塔进行特征融合以获取障碍检测框;
步骤②:依据障碍检测框对各图像信息进行扩大化剪裁以获取目标图像,之后提取窗口滑动获取的纹理特征,并将得到的特征值按数组的形式储存到相应的像素位置;
步骤③:当像素特征值满足预设条件时,则判断当前像素区域为障碍物,并将其标记为1,若不满足,则判断当前像素区域为自由区域,并标记为0,并依据判断结果进行区域分离;
步骤④:依据采集的区域影像以及障碍物信息按照一定比例构建相对应的三维模型,之后依据无人机尺寸信息将该三维模型进行栅格化处理,之后计算地图中所有障碍物面积之和,并依据面积和计算栅格粒度;
步骤⑤:依据预设顺序为每一组栅格设定唯一的序号,之后确定无人机位于栅格地图的位置,并将存在障碍物栅格标记为1,自由区域标记为0以获取对应区域模型。
5.根据权利要求4所述的一种四旋翼自动追踪功能实现方法,其特征在于,步骤(4)中所述路径规划具体步骤如下:
步骤Ⅰ:依据该栅格地图上的0与1的分布以及跟踪目标位置规划多组无人机行径路线,将所有的行径路线的集合表示为种群,并结合遗传算法生成种群矩阵;
步骤Ⅱ:随机从种群中选择两组个体,再分别从两组个体中选取某一段路径,然后进行交换得到新的两组新的个体,再随机选择一组个体,并随机选择个体中的两段路径进行交换;
步骤Ⅲ:路径优化完成后,从路径终点开始遍历每个栅格,若某栅格可以与起点无障碍相连,则起点与栅格中间的栅格就是冗余节点,冗余节点确认完成后,删除这些冗余节点并重新计算路径的适应度函数,并通过不断迭代对路径进行不断优化;
步骤Ⅳ:从种群矩阵中选择多次个体来建立新的矩阵,同时选择最大适应度的个体,并与新的矩阵拼接形成新的种群以完成对行径路线的迭代,并保存最优行径路线,同时将最优行径路径发送至控制器,之后控制器通过相应算法控制电机进行动态调整。
6.根据权利要求5所述的一种四旋翼自动追踪功能实现方法,其特征在于,步骤(4)中所述飞行调控具体步骤如下:
第一步:获取过往无人机飞行电量消耗数据,并将各组数据整合成一组样本数据集,之后计算该样本数据集标准偏差,并依据计算出的标准偏差筛除异常数据,再对剩余数据先作标准化处理再进行归一化;
第二步:将归一化后的数据划分为测试集以及训练集,之后对一组卷积神经网络的参数设定向量进行赋值,再依据预设信息确定各神经网络层神经元数并确定各神经元激励函数;
第三步:将训练集输入神经网络输入层中,并获取输出层为隐节点输出的线性组合,之后计算该卷积神经网络多轮学习后的能量函数,当能量函数小于目标误差时,训练结束并输出分析调控模型;
第四步:将测试集导入分析调控模型中进行测试,并计算该分析调控模型损失值,若损失值不符合预设期望值,则对该分析调控模型进行参数更新;
第五步:分析调控模型接收无人机飞行速度、电量损耗、目标位置以及区域模型,并将各项参数录入分析调控模型中以输出预测曲线,并依据预测结果生成调控方案,并通过控制器对无人机的飞行轨迹以及飞行高度进行实时调整。
7.根据权利要求6所述的一种四旋翼自动追踪功能实现方法,其特征在于,第四步中所述分析调控模型参数更新具体步骤如下:
第Ⅰ步:在分析调控模型的规定区间内初始化网络连接权值,再从训练时的输入以及输出对的集合中提交训练样本,并计算该分析调控模型的输出,再比较期望的网络输出与实际的网络输出,并且计算所有神经元的局部误差;
第Ⅱ步:当局部误差超出预设阈值后,依据学习规则方程对该分析调控模型的权值进行训练以及更新,并依据预设的学习率以及步长列出所有可能的数据结果;
第Ⅲ步:对于每一组数据结果,选取任意一个子集作为测试集,其余子集作为训练集,训练测试模型后对测试集进行检测,并统计检测结果的均方根误差,再将测试集更换为另一子集,并取剩余子集作为训练集,再次统计均方根误差,直至对所有数据都进行一次预测,选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换分析调控模型原有参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310638500.7A CN116859985A (zh) | 2023-05-30 | 2023-05-30 | 一种四旋翼自动追踪功能实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310638500.7A CN116859985A (zh) | 2023-05-30 | 2023-05-30 | 一种四旋翼自动追踪功能实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116859985A true CN116859985A (zh) | 2023-10-10 |
Family
ID=88227570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310638500.7A Pending CN116859985A (zh) | 2023-05-30 | 2023-05-30 | 一种四旋翼自动追踪功能实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116859985A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117472081A (zh) * | 2023-12-25 | 2024-01-30 | 西安辰航卓越科技有限公司 | 一种基于感知约束的无人机避障方法 |
CN117572885A (zh) * | 2023-11-20 | 2024-02-20 | 鸣飞伟业技术有限公司 | 基于无人机热红外相机的夜间追踪方法、系统及相关装置 |
-
2023
- 2023-05-30 CN CN202310638500.7A patent/CN116859985A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572885A (zh) * | 2023-11-20 | 2024-02-20 | 鸣飞伟业技术有限公司 | 基于无人机热红外相机的夜间追踪方法、系统及相关装置 |
CN117572885B (zh) * | 2023-11-20 | 2024-05-31 | 鸣飞伟业技术有限公司 | 基于无人机热红外相机的夜间追踪方法、系统及相关装置 |
CN117472081A (zh) * | 2023-12-25 | 2024-01-30 | 西安辰航卓越科技有限公司 | 一种基于感知约束的无人机避障方法 |
CN117472081B (zh) * | 2023-12-25 | 2024-03-15 | 西安辰航卓越科技有限公司 | 一种基于感知约束的无人机避障方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636049B (zh) | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 | |
CN116859985A (zh) | 一种四旋翼自动追踪功能实现方法 | |
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN111352417B (zh) | 异构多无人机协同路径的快速生成方法 | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN109389043B (zh) | 一种无人机航拍图片的人群密度估计方法 | |
CN111353413A (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN109446970A (zh) | 一种基于深度学习的变电站巡检机器人道路场景识别方法 | |
CN111626128A (zh) | 一种基于改进YOLOv3的果园环境下行人检测方法 | |
CN110532937B (zh) | 基于识别模型与分类模型进行列车前向目标精准识别的方法 | |
CN112132144A (zh) | 一种基于遥感图像的无人机航线撞地风险评估方法 | |
CN116539004A (zh) | 一种采用无人机测绘的通信线路工程勘察设计方法与系统 | |
CN112257614A (zh) | 一种基于图卷积网络的航站楼客流量时空分布预测方法 | |
US20230004903A1 (en) | Methods of greening management in smart cities, system, and storage mediums thereof | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN116543603B (zh) | 一种考虑空域态势和局部优化的航迹补全预测方法及装置 | |
Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall | |
CN114330526A (zh) | 基于tgo-ssa-fcm算法的交通流量缺失数据修复方法 | |
CN114745688A (zh) | 基于无人机通信的无线传感器网络节点Aol分析研究 | |
Ara et al. | Predicting Ride Hailing Service Demand Using Autoencoder and Convolutional Neural Network | |
Chen et al. | A bidirectional context-aware and multi-scale fusion hybrid network for short-term traffic flow prediction | |
CN112633591B (zh) | 一种基于深度强化学习的空间搜索方法及设备 | |
CN117170406B (zh) | 一种基于分层规划的无人机快速自主搜寻方法 |
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 |