CN117390498B - 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 - Google Patents
一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 Download PDFInfo
- Publication number
- CN117390498B CN117390498B CN202311694704.9A CN202311694704A CN117390498B CN 117390498 B CN117390498 B CN 117390498B CN 202311694704 A CN202311694704 A CN 202311694704A CN 117390498 B CN117390498 B CN 117390498B
- Authority
- CN
- China
- Prior art keywords
- flight
- matrix
- plane
- value
- unmanned aerial
- 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 41
- 239000011159 matrix material Substances 0.000 claims abstract description 92
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 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 4
- 238000005259 measurement Methods 0.000 description 3
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 101710195119 Inner capsid protein sigma-2 Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Abstract
本发明公开了一种基于Transformer模型的固定翼集群无人机飞行能力评估方法，其包括：将无人机当前时刻的飞行差异矩阵、下一时刻的飞行差异矩阵和延迟矩阵输入训练好的Transformer模型中进行信息融合，并将融合后的信息作为无人机的飞行能力评分。本发明设计合理、高效、稳定，具有相当的泛化能力和高智能化水平，能有效地评估集群固定翼无人机飞行能力和水平。
Description
技术领域
本发明涉及无人机技术领域，特别是一种基于Transformer模型的固定翼集群无人机飞行能力评估方法。
背景技术
对于固定翼集群无人机而言，其是一组由多架飞行器组成的系统，每架飞行器都能够独立飞行，同时也能够在集群中与其他飞行器协同飞行。这种集群飞行方式可以提高任务效率和覆盖范围，因此在许多领域都有广泛的应用，比如农业、测绘、救灾等。然而，固定翼集群无人机的集群飞行需要许多技术支持，其中最重要的是集群飞行控制算法。这个算法需要考虑多架飞行器的位置、速度、姿态等因素，以及集群的整体目标和任务要求，从而实现集群飞行控制和协同。因此，对于固定翼集群无人机的集群飞行能力进行评估是非常必要的。
集群飞行能力评估可以帮助评估算法的效果和可靠性，同时也可以指导集群飞行控制系统的设计和优化。例如，可以通过集群飞行模拟实验来评估算法的性能，或者通过实际集群飞行测试来验证算法的可行性和稳定性。但是对于固定翼集群无人机飞行过程中，并没有存在一种专项评估飞行能力和编队协同能力的办法，导致算法修正缺少评估条件的实施问题。
发明内容
鉴于此，本发明提供一种基于Transformer模型的固定翼集群无人机飞行能力评估方法，以解决上述技术问题。
本发明公开了一种基于Transformer模型的固定翼集群无人机飞行能力评估方法，其包括：
将无人机当前时刻的飞行差异矩阵、下一时刻的飞行差异矩阵和延迟矩阵输入训练好的Transformer模型中进行信息融合，并将融合后的信息作为无人机的飞行能力评分；其中，所述当前时刻的飞行差异矩阵由所有僚机当前时刻飞行偏移值的海高偏移值、经度偏移值、纬度偏移值构成；所述下一时刻的飞行差异矩阵由所有僚机下一时刻飞行偏移值的海高偏移值、经度偏移值、纬度偏移值构成；所述延迟矩阵表示机间组网丢包率和包延迟，表示机间通信的质量。
进一步地，所述当前时刻的飞行差异矩阵的获取过程为：
将每个僚机当前时刻的标准位置和实际飞行位置作差，得到每个僚机当前时刻飞行偏移值；其中，位置包括海高、经度、纬度；
将所有僚机当前时刻飞行偏移值的海高偏移值、经度偏移值、纬度偏移值组合成当前时刻的飞行差异矩阵。
进一步地，所述下一时刻的飞行差异矩阵的获取过程为：
通过动力学方程计算固定翼集群中长机下一时刻的标准位置，并根据各僚机与该长机之间的相对位置，计算每个僚机下一时刻的标准位置；其中，位置包括海高、经度、纬度；
通过卡尔曼滤波算法计算固定翼集群中所有僚机下一时刻的位置预测值；
将每个僚机下一时刻的标准位置和位置预测值作差，得到每个僚机下一时刻飞行偏移值；将所有僚机下一时刻飞行偏移值的海高偏移值、经度偏移值、纬度偏移值组合成下一时刻的飞行差异矩阵。
进一步地，使用运动学方程来描述无人机的运动状态，即位置和速度的关系；对于二维平面上的长机，使用以下运动学方程估计状态：
其中，x和y表示无人机在二维平面上的位置，v表示速度，θ表示朝向角度，a表示加速度，表示角速度，t表示时间，/>表示时间步长；
通过预测长机的运动状态，即标准值，计算得到僚机根据队形形成的偏移量导致的标准运动参数作为标准值。
进一步地，使用运动学方程预测下一时刻的状态值，使用测量值更新状态估计值：使用GPS测量无人机的位置和速度，将该位置与预测值进行比较，计算残差，并根据残差和卡尔曼增益更新状态估计值。
进一步地，计算固定翼集群中所有僚机下一时刻的位置预测值的步骤为：
状态预测：
协方差预测：
卡尔曼增益：
状态更新：
协方差更新：
其中，是状态向量在时刻k的估计值，/>是状态向量在时刻 k 的估计协方差矩阵，/>是在时刻k的观测值，F是状态转移矩阵，B是输入矩阵，/>是外部输入，Q是系统噪声协方差矩阵，H是观测矩阵，R是观测噪声协方差矩阵，/>是卡尔曼增益，/>表示F矩阵的转置矩阵，I表示单位矩阵。
进一步地，根据飞行编队规划确定编队的队形和每个僚机的槽位；队形根据任务需求和编队飞行的特点来确定；每个僚机的槽位根据其在编队中的角色和任务来分配，离长机越近的僚机槽位编号越小，长机槽位为0；
根据编队的队形和每个僚机的槽位，计算每个僚机下一时刻标准位置，可以通过运动学方程计算得到长机的位置预测值，然后根据队形和槽位计算出每个僚机相对于长机的偏移位置，从而得到每个僚机的下一时刻标准位置。
进一步地，所述Transformer模型的训练过程包括：
获取固定翼集群中每个无人机的飞行数据的时间戳及其与时间戳对应的位置偏差作为数据集；位置偏差包括经度、维度、高度、航向角和速度；
对数据集进行数据清洗、标准化和归一化，然后将归一化后的数据集划分为训练集、验证集和测试集，并使用PyTorch深度学习框架编写Transformer模型进行训练；
在模型训练的过程中，对输入的当前时刻的飞行差异矩阵、下一时刻的飞行差异矩阵和延迟矩阵通过权重矩阵进行融合，以得到无人机的飞行能力评分。
进一步地，所述融合的公式为：
其中，为无人机的飞行能力总体评分，/>、/>、/>分别表示历史时刻的下一时刻的飞行差异矩阵、历史时刻的飞行差异矩阵、延迟矩阵；/>、/>、均为权重矩阵；
对进行归一化得到无人机的飞行能力评分。
进一步地，在模型训练过程中，通过反向传播算法优化模型中的权重矩阵，以最大限度地减小预测值和真实值之间的误差；在模型训练完成后，通过验证集和测试集分别对模型进行验证和测试。
由于采用了上述技术方案，本发明具有如下的优点：
本发明提供一种基于Transformer模型的固定翼集群无人机飞行能力评估方法，该方法设计贴合固定翼集群无人机的飞行特性进行飞行能力和编队集群能力评估，实现了高效、快速、高智能化的特点。解决了如何评估算法的效果和可靠性并指导集群飞行控制系统的设计和优化的问题。同时解决了对于固定翼集群无人机，如何贴合其快速、瞬变的特性实时评估飞行情况做出决策的难题。
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单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例的使用卡尔曼滤波和运动方程估计下一时刻飞行能力差异的示意图；
图2为本发明实施例的基于当前飞行情况，通过集群飞行理论标准位置和实际位置得到当前飞行能力差异的示意图；
图3为本发明实施例的通过信息融合将三个评判集群无人机集群飞行能力的特征进行融合的流程示意图；
图4为Transformer模型最终需要的输入和输出数据示意图；
图5为本发明实施例的使用的Pytorch库中构建的Transformer模型示意图；
图6为本发明实施例的Transformer伪代码的示意图；
图7为本发明实施例的模型训练和预测，并对模型性能进行评估的流程示意图；
图8为本发明实施例的倒V型编队示意图。
具体实施方式
结合附图和实施例对本发明作进一步说明，显然，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
本发明提供了一种基于Transformer模型的固定翼集群无人机飞行能力评估方法的实施例，其包括如下步骤：
如图1所示，使用卡尔曼滤波计算时先通过飞行参数初始化如下参数：
初始状态向量：可以从飞行数据中获取飞机的初始位置和速度，并使用这些参数来设置初始状态向量。例如，假设有飞机的初始经纬度坐标和速度信息，可以将其转换为直角坐标系下的位置和速度，然后将其作为初始状态向量，即x=[x, y, vx, vy]。其中x和y表示无人机的经度和纬度，vx表示东向速度，vy表示北向速度，这两个向量的合成方向即为航向。
系统噪声矩阵：系统噪声矩阵描述系统中存在的不确定性和误差，可以通过分析飞机的运动模型和测量误差来确定。例如，假设知道飞机的加速度是一个高斯分布，其方差为sigma2，则可以将系统噪声矩阵设置为Q=[0.25dt4, 0.5dt3, 0.5dt3, dt2]sigma2，其中dt为采样时间间隔。
观测噪声矩阵：观测噪声矩阵描述观测值中存在的不确定性和误差，可以通过分析测量设备的精度和稳定性来确定。例如，假设使用的GPS设备的精度为sigmagps，则可以将观测噪声矩阵设置为R=[sigmagps2, 0, 0, sigmagps2]。
状态转移矩阵：状态转移矩阵描述飞机的运动模型，包括速度和加速度等信息，可以根据具体的运动模型来确定。例如，假设使用匀加速直线运动模型，可以将状态转移矩阵设置为F=[1, 0, dt, 0; 0, 1, 0, dt; 0, 0, 1, 0; 0, 0, 0, 1]，其中dt为采样时间间隔。
观测矩阵：观测矩阵描述如何从观测值中提取位置信息，通常为[1, 0, 0, 0]和[0, 1, 0, 0]。如果使用的测量设备能够提供速度信息，则可以将观测矩阵设置为[1, 0,0, 0; 0, 1, 0, 0]，以提取位置和速度信息。
通过卡尔曼滤波算法通过如下方法计算：
状态预测：
协方差预测：
卡尔曼增益：
状态更新：
协方差更新：
其中，xk是状态向量在时刻k的估计值，Pk是状态向量在时刻 k 的估计协方差矩阵，zk是在时刻 k 的观测值，F 是状态转移矩阵，B是输入矩阵，uk是外部输入，Q 是系统噪声协方差矩阵，H 是观测矩阵，R是观测噪声协方差矩阵，Kk是卡尔曼增益，FT表示F矩阵的转置矩阵，I表示单位矩阵（Identity Matrix），是一个对角线上全是1，其他元素全是0的方阵。
通过运算之后，固定翼集群无人机将得到对未来时刻的飞行预测，将这个预测和运动方程得到的长机下一时刻飞行位置配合槽位进行计算可以得到未来的集群飞行能力和理想值的差异。
具体地，首先，需要根据飞行编队规划确定编队的队形和每个僚机的槽位。队形可以根据任务需求和编队飞行的特点来确定，比如“倒V”字型（参见图8）或者“竖|字”型等。而每个僚机的槽位则是根据其在编队中的角色和任务来分配的，离长机越近的僚机槽位编号越小，长机一般槽位为0。
然后，根据编队的队形和每个僚机的槽位，可以计算出每个僚机在下一时刻应该在哪个位置。这个位置被称为标准位置，可以通过运动学方程计算得到长机的位置预测值，然后根据队形和槽位计算出每个僚机相对于长机的偏移位置，从而得到每个僚机的标准位置。
进一步地，如图2所示为本发明基于当前飞行情况，通过集群飞行理论标准位置和实际位置得到当前飞行能力差异的示意图。
具体地，每一架固定翼集群无人机都将利用长机当前的坐标和相对位置计算一个自己应当飞行的标准位置，将这个值和当前飞行的位置做差，即可得到当前飞行能力与理想值的差异。
在使用Transformer模型之前，本方法需要对模型进行预训练，预训练包括一些预处理逻辑如：
数据清洗：在深度学习模型训练的过程中，需要对数据进行清洗和预处理，以去除异常值、缺失值等，以保证模型训练的效果。
标准化和归一化：标准化和归一化可以分别通过以下公式进行：
标准化：(x - mean) / std
归一化：(x - min) / (max - min)
其中，x为原始数据，mean为数据的均值，std为数据的标准差，min和max分别为数据的最小值和最大值。
模型训练：在进行标准化和归一化处理之后，需要将数据划分为训练集、验证集和测试集，并使用PyTorch深度学习框架编写Transformer模型进行训练。在模型训练的过程中，需要进行超参数调整，以提高模型的性能。使用训练集来训练模型，通过反向传播算法优化模型中的权重矩阵，以最大限度地减小预测值和真实值之间的误差。在训练过程中，可以使用交叉验证等技术来评估模型的性能，以及调整模型的参数和超参数。
参见图4，模型训练时，给出多个评分和当时的飞行参数（包括经度、维度、高度、航向角和速度），这些数据被分为测试集和训练集，对于训练集，模型将会去拟合三个输入矩阵和输出分数的评估关系，因此训练时，本方案给出结果用于学习，而测试的时候就生成分数用于评估。
模型验证和测试：在模型训练完成后，需要对模型进行验证和测试。验证和测试数据需要与训练数据分开，以验证模型的泛化能力。在测试过程中，需要对模型进行评估，如准确率、召回率等，以评估模型的性能。
进一步地，如图3所示，现在有三个参数：
第一个参数是下一时刻的飞行差异矩阵表示的下一时刻预测海高、经度、纬度和标准位置的海高、经度、纬度的差，表示对于下一时刻的飞行状态的预测，与标准位置的差距，表示为Matrixnext=[∆Heightnext, ∆Longitudenext, ∆Latitudenext]。
第二个参数是当前时刻的飞行差异矩阵表示的当前时刻预测海高、经度、纬度和标准位置的海高、经度、纬度的差，表示对于当前时刻的飞行状态的预测，与标准位置的差距，表示为Matrixrecent=[∆Heightrecent, ∆Longituderecent, ∆Latituderecent]。
第三个参数是延迟矩阵表示的机间组网丢包率和包延迟，表示机间通信的质量，表示为Matrixnet=[loss, delay]。
具体地，将每个参数映射到一个得分值，表示其对于总体评分的贡献程度。对于每个参数，本实施例可以使用以下公式来计算其得分值：
这里的 "" 表示矩阵乘法。
之后进行归一化并计算最终结果score_final，设置Matrixnextmax= Matrixrecentmax=[100,0.001141,0.000899],表示高度、经度、纬度方向上最大的误差接受范围是100m，计算如下：
经度（东西方向）1M实际度：
360°/31544206M=1.141255544679108e-5=0.00001141
纬度（南北方向）1M实际度：
360°/40030173M=8.993216192195822e-6=0.00000899
设置网络延迟最大矩阵为Matrixnetmax=[0.70,10000],表示机间链路接受的丢包率最大为0.7，延迟最大为10000ms，即10秒。
进一步地，如图5和图7所示，首先，需要将输入的特征序列（时间戳、经度、纬度、高度等）转换为向量形式，以便让Transformer模型进行处理。这可以通过将每个特征映射到一个高维空间中的向量来实现，例如通过使用嵌入层来将连续特征映射到低维空间中的向量，或者通过使用卷积神经网络等方法来提取序列特征。
然后，可以将这些特征向量输入到Transformer模型中。Transformer模型由多个编码器层（encoder layer）组成，每个编码器层由两个子层组成：多头自注意力子层（multi-head self-attention layer）和全连接前馈子层（feedforward layer）。在多头自注意力子层中，模型将每个特征向量作为输入，并生成一个新的特征向量作为输出，其中每个元素的权重是由模型自动学习得到的。这允许模型自动关注输入序列中与当前位置相关的特征。在全连接前馈子层中，模型将每个特征向量作为输入，并通过一个全连接层来生成一个新的特征向量作为输出。这允许模型学习更复杂的非线性关系。
通过多个编码器层的堆叠，Transformer模型可以对序列特征进行深度建模，并捕获特征之间的长期依赖关系。最终，模型将输出一个特征向量，其中每个元素对应着一个得分，表示对应的飞行能力评分。这个得分是根据模型自动地学习输入特征之间的关系和权重而得到的。
在训练过程中，将向量形式的输入特征序列和对应的飞行能力评分标签作为输入数据，使用损失函数（如均方误差）来衡量模型的预测结果和真实标签之间的差距，并使用反向传播算法来更新模型的参数，以使损失函数最小化。
在实际应用中，可以输入新的集群无人机运动轨迹数据，并通过训练好的模型来预测对应的飞行能力评分。具体来说，可以首先将输入数据转换为向量形式，然后将向量输入到训练好的Transformer模型中，以获得对应的飞行能力评分。这个评分可以用来评估集群无人机的飞行能力和控制效果，以及为集群无人机的控制和管理提供支持和参考。
进一步地，如图6所示，其中，Embedding函数将输入特征序列映射到低维向量空间中，AddPositionalEncoding函数添加位置编码以帮助模型区分序列中不同位置的特征，MultiHeadSelfAttention函数实现多头自注意力机制，Feedforward函数实现全连接前馈神经网络，AddResidualConnection函数实现残差连接，LayerNormalization函数实现层归一化，Linear函数实现输出层。num_layers是Transformer模型中编码器层数，可以通过实验调整得到最优值。
本该方法设计合理、高效、稳定，具有相当的泛化能力和高智能化水平，能有效地评估集群固定翼无人机飞行能力和水平，在有限条件和短时间内解决集群固定翼无人机因为速度快、顺态变化强、评估困难、算法迭代缺乏标准的问题。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于Transformer模型的固定翼集群无人机飞行能力评估方法，其特征在于，包括：
通过预先训练Transformer模型拟合以输入为当前时刻的飞行差异矩阵、下一时刻的飞行差异矩阵和延迟矩阵，输出为专家飞行能力评估评分的数据集进行拟合形成一种通过Transformer拟合信息融合的效果，在输出的模型中，将无人机当前时刻的飞行差异矩阵、下一时刻的飞行差异矩阵和延迟矩阵输入训练好的Transformer模型中进行数据拟合推理，形成融合信息，并将融合后的信息作为无人机的飞行能力评分；其中，所述当前时刻的飞行差异矩阵由于控制精度存在误差，由所有僚机当前时刻飞行偏移值的海高偏移值、经度偏移值、纬度偏移值三维参数构成（3,1）形状的张量，此三维参数由当前实飞经纬高值与通过长机位置和相对飞行规划位置计算预期飞行经纬高值作差而成；所述下一时刻的飞行差异矩阵由所有僚机下一时刻飞行偏移值的海高偏移值、经度偏移值、纬度偏移值构成；所述延迟矩阵表示机间组网丢包率和包延迟，表示机间通信的质量。
2.根据权利要求1所述的方法，其特征在于，所述当前时刻的飞行差异矩阵的获取过程为：
将每个僚机当前时刻的标准位置和实际飞行位置作差，得到每个僚机当前时刻飞行偏移值；其中，位置包括海高、经度、纬度；
将所有僚机当前时刻飞行偏移值的海高偏移值、经度偏移值、纬度偏移值组合成当前时刻的飞行差异矩阵。
3.根据权利要求1所述的方法，其特征在于，所述下一时刻的飞行差异矩阵的获取过程为：
通过动力学方程计算固定翼集群中长机下一时刻的标准位置，并根据各僚机与该长机之间的相对位置，计算每个僚机下一时刻的标准位置；其中，位置包括海高、经度、纬度；
通过卡尔曼滤波算法计算固定翼集群中所有僚机下一时刻的位置预测值；
将每个僚机下一时刻的标准位置和位置预测值作差，得到每个僚机下一时刻飞行偏移值；将所有僚机下一时刻飞行偏移值的海高偏移值、经度偏移值、纬度偏移值组合成下一时刻的飞行差异矩阵。
4.根据权利要求2或3所述的方法，其特征在于，
使用运动学方程来描述无人机的运动状态，即位置和速度的关系；对于二维平面上的长机，使用以下运动学方程估计状态：
其中，x和y表示无人机在二维平面上的位置，v表示速度，θ表示朝向角度，a表示加速度，表示角速度，t表示时间，/>表示时间步长；
通过预测长机的运动状态，即标准值，计算得到僚机根据队形形成的偏移量导致的标准运动参数作为标准值。
5.根据权利要求3所述的方法，其特征在于，
使用运动学方程预测下一时刻的状态值，使用测量值更新状态估计值：使用GPS测量无人机的位置和速度，将该位置与预测值进行比较，计算残差，并根据残差和卡尔曼增益更新状态估计值。
6.根据权利要求5所述的方法，其特征在于，
计算固定翼集群中所有僚机下一时刻的位置预测值的步骤为：
状态预测：
协方差预测：
卡尔曼增益：
状态更新：
协方差更新：
其中，是状态向量在时刻k的估计值，/>是状态向量在时刻 k 的估计协方差矩阵，/>是在时刻k的观测值，F是状态转移矩阵，B是输入矩阵，/>是外部输入，Q是系统噪声协方差矩阵，H是观测矩阵，R是观测噪声协方差矩阵，/>是卡尔曼增益，/>表示F矩阵的转置矩阵，I表示单位矩阵。
7.根据权利要求1所述的方法，其特征在于，
根据飞行编队规划确定编队的队形和每个僚机的槽位；队形根据任务需求和编队飞行的特点来确定；每个僚机的槽位根据其在编队中的角色和任务来分配，离长机越近的僚机槽位编号越小，长机槽位为0；
根据编队的队形和每个僚机的槽位，计算每个僚机下一时刻标准位置，可以通过运动学方程计算得到长机的位置预测值，然后根据队形和槽位计算出每个僚机相对于长机的偏移位置，从而得到每个僚机的下一时刻标准位置。
8.根据权利要求1所述的方法，其特征在于，所述Transformer模型的训练过程包括：
获取固定翼集群中每个无人机的飞行数据的时间戳及其与时间戳对应的位置偏差和机间组网丢包率和包延迟并计算下一时刻的位置偏差作为数据集；其中，位置偏差包括经度、纬度、高度误差值，下一时刻的位置偏差通过每一个时间戳当前长机的速度、航向角、加速度、位置信息进行运动学方程计算得到标准值，将标准值与卡尔曼滤波的预测值作差获得包括下一时刻的经度、纬度、高度误差值；
对数据集进行数据清洗、标准化和归一化，然后将归一化后的数据集划分为训练集、验证集和测试集，并使用PyTorch深度学习框架编写Transformer模型进行训练；
在模型训练的过程中，对输入的当前时刻的飞行差异矩阵、下一时刻的飞行差异矩阵和延迟矩阵通过权重矩阵进行融合，以得到无人机的飞行能力评分。
9.根据权利要求7所述的方法，其特征在于，所述Transformer进行的拟合，抽象为信息融合的公式为：
其中，为无人机的飞行能力总体评分，/>、/>、/>分别表示历史时刻的下一时刻的飞行差异矩阵、历史时刻的飞行差异矩阵、延迟矩阵；/>、/>、均为权重矩阵，通过训练好的Transformer模型推理，可抽象为自适应获取权重矩阵计算，最终推理拟合训练给定输出的专家非线性，难以定义单一函数的评分能力，获得最终的；
得到的即为无人机的飞行能力评分。
10.根据权利要求7所述的方法，其特征在于，在模型训练过程中，通过反向传播算法优化模型中的权重矩阵，以减小预测值和真实值之间的误差；在模型训练完成后，通过验证集和测试集分别对模型进行验证和测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311694704.9A CN117390498B (zh) | 2023-12-12 | 2023-12-12 | 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311694704.9A CN117390498B (zh) | 2023-12-12 | 2023-12-12 | 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117390498A CN117390498A (zh) | 2024-01-12 |
| CN117390498B true CN117390498B (zh) | 2024-04-30 |
Family
ID=89465273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311694704.9A Active CN117390498B (zh) | 2023-12-12 | 2023-12-12 | 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390498B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117590865B (zh) * | 2024-01-19 | 2024-04-30 | 四川腾盾科技有限公司 | 一种固定翼无人机跟踪目标运动预测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106705936A (zh) * | 2016-12-06 | 2017-05-24 | 浙江华飞智能科技有限公司 | 一种无人机高度优化方法及装置 |
| CN111460676A (zh) * | 2020-04-10 | 2020-07-28 | 北京工商大学 | 多旋翼飞行器在大气紊流扰动下的健康性能评估方法 |
| CN113238583A (zh) * | 2021-07-14 | 2021-08-10 | 四川腾盾科技有限公司 | 一种固定翼无人机密集编队飞行与防撞控制方法 |
| CN113641181A (zh) * | 2020-04-27 | 2021-11-12 | 华中科技大学 | 基于在线性能评估飞行器增益自适应姿态控制方法和系统 |
| CN113673149A (zh) * | 2021-08-02 | 2021-11-19 | 南京航空航天大学 | 一种复杂环境下的无人机决策评估方法 |
| CN113916222A (zh) * | 2021-09-15 | 2022-01-11 | 北京自动化控制设备研究所 | 基于卡尔曼滤波估计方差约束的组合导航方法 |
| CN114065375A (zh) * | 2021-10-20 | 2022-02-18 | 南京航空航天大学 | 基于局部配点法和神经网络的入轨能力评估与轨迹重构方法 |
| CN114462740A (zh) * | 2020-11-10 | 2022-05-10 | 顺丰科技有限公司 | 飞行任务评估方法、装置、设备和计算机可读存储介质 |
| CN116243729A (zh) * | 2023-05-11 | 2023-06-09 | 四川腾盾科技有限公司 | 一种基于固定翼集群无人机在线分组的相位协同规划方法 |
| CN116430908A (zh) * | 2023-06-15 | 2023-07-14 | 四川腾盾科技有限公司 | 一种固定翼无人机集群的离群路径规划方法 |
| CN116500919A (zh) * | 2022-12-26 | 2023-07-28 | 中国航天空气动力技术研究院 | 涵道风扇式无人机的智能飞行控制方法、设备及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11964780B2 (en) * | 2019-02-28 | 2024-04-23 | Beta Air, Llc | Systems and methods for in-flight operational assessment |
| CN110517538A (zh) * | 2019-08-06 | 2019-11-29 | 电子科技大学 | 飞行器主动发现与协同防碰撞方法与系统 |
-
2023
- 2023-12-12 CN CN202311694704.9A patent/CN117390498B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106705936A (zh) * | 2016-12-06 | 2017-05-24 | 浙江华飞智能科技有限公司 | 一种无人机高度优化方法及装置 |
| CN111460676A (zh) * | 2020-04-10 | 2020-07-28 | 北京工商大学 | 多旋翼飞行器在大气紊流扰动下的健康性能评估方法 |
| CN113641181A (zh) * | 2020-04-27 | 2021-11-12 | 华中科技大学 | 基于在线性能评估飞行器增益自适应姿态控制方法和系统 |
| CN114462740A (zh) * | 2020-11-10 | 2022-05-10 | 顺丰科技有限公司 | 飞行任务评估方法、装置、设备和计算机可读存储介质 |
| CN113238583A (zh) * | 2021-07-14 | 2021-08-10 | 四川腾盾科技有限公司 | 一种固定翼无人机密集编队飞行与防撞控制方法 |
| CN113673149A (zh) * | 2021-08-02 | 2021-11-19 | 南京航空航天大学 | 一种复杂环境下的无人机决策评估方法 |
| CN113916222A (zh) * | 2021-09-15 | 2022-01-11 | 北京自动化控制设备研究所 | 基于卡尔曼滤波估计方差约束的组合导航方法 |
| CN114065375A (zh) * | 2021-10-20 | 2022-02-18 | 南京航空航天大学 | 基于局部配点法和神经网络的入轨能力评估与轨迹重构方法 |
| CN116500919A (zh) * | 2022-12-26 | 2023-07-28 | 中国航天空气动力技术研究院 | 涵道风扇式无人机的智能飞行控制方法、设备及介质 |
| CN116243729A (zh) * | 2023-05-11 | 2023-06-09 | 四川腾盾科技有限公司 | 一种基于固定翼集群无人机在线分组的相位协同规划方法 |
| CN116430908A (zh) * | 2023-06-15 | 2023-07-14 | 四川腾盾科技有限公司 | 一种固定翼无人机集群的离群路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于Android的微型四旋翼无人机地面控制系统设计";施洪平;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;第C031-1550页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117390498A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tisdale et al. | Autonomous UAV path planning and estimation | |
| CN117390498B (zh) | 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 | |
| EP2743739B1 (en) | Using aircraft trajectory data to infer atmospheric conditions | |
| Zhou et al. | GPS/INS integrated navigation with BP neural network and Kalman filter | |
| Zhang et al. | Probabilistic planning and risk evaluation based on ensemble weather forecasting | |
| CN106231553B (zh) | 基于无线声传感器网络的多节点信息融合声源定位方法 | |
| CN107290742A (zh) | 一种非线性目标跟踪系统中平方根容积卡尔曼滤波方法 | |
| CN110779519A (zh) | 一种具有全局收敛性的水下航行器单信标定位方法 | |
| Bian et al. | System identification method for small unmanned helicopter based on improved particle swarm optimization | |
| Oliveira et al. | Cooperative terrain navigation using hybrid GMM/SMC message passing on factor graphs | |
| CN102981160B (zh) | 一种确定空中目标航迹的方法及装置 | |
| CN113495577B (zh) | 一种面向数字孪生仿真的无人机集群传感器模型校正方法 | |
| CN113701742B (zh) | 一种基于云端与边端融合计算的移动机器人slam方法 | |
| Neusypin et al. | Investigation into the nonlinear Kalman filter to correct the INS/GNSS integrated navigation system | |
| Hu et al. | A reliable cooperative fusion positioning methodology for intelligent vehicle in non-line-of-sight environments | |
| Li et al. | Cooperative positioning algorithm of swarm UAVs based on posterior linearization belief propagation | |
| CN114339595B (zh) | 一种基于多模型预测的超宽带动态反演定位方法 | |
| CN113761662B (zh) | 一种滑翔类目标的轨迹预测管道的生成方法 | |
| Zakharin et al. | Concept of navigation system design of UAV | |
| Gao et al. | Adaptive air-data estimation in wind disturbance based on flight data | |
| Chaojie et al. | Monte Carlo approach to the analysis of UAVs control system | |
| Chen et al. | Real-time UAV Flight Path Prediction Using A Bi-directional Long Short-term Memory Network with Error Compensation [J] | |
| CN114237207B (zh) | 通信噪声影响下多智能体分布式故障诊断方法 | |
| Tisdale et al. | An autonomous system for cooperative search and localization using unmanned vehicles | |
| Wan et al. | Rigid body localization based on conformal sensor array in non-line-of-sight environment |
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 |