CN117782186A - 一种无人机检测仪的光轴角精度确定方法及相关装置 - Google Patents
一种无人机检测仪的光轴角精度确定方法及相关装置 Download PDFInfo
- Publication number
- CN117782186A CN117782186A CN202311855751.7A CN202311855751A CN117782186A CN 117782186 A CN117782186 A CN 117782186A CN 202311855751 A CN202311855751 A CN 202311855751A CN 117782186 A CN117782186 A CN 117782186A
- Authority
- CN
- China
- Prior art keywords
- axis angle
- network model
- unmanned aerial
- aerial vehicle
- brain function
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000003925 brain function Effects 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 81
- 230000006870 function Effects 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请提供了一种无人机检测仪的光轴角精度确定方法及相关装置，方法包括：获取无人机在不同时刻的飞行信息，飞行信息包括位置信息、速度信息和飞行方向信息中的一种或多种。将飞行信息输入至预先构建的动态脑功能网络模型，得到无人机检测仪的光轴角精度。这样通过构建无人机的飞行信息和检测仪的光轴角精度的动态脑功能网络模型，从而利用该动态脑功能网络模型直接根据无人机的飞行信息输出光轴角精度，极大的降低了确定光轴角精度的技术难度。动态脑功能网络模型是训练得到的，能够有较高的准确度，相较于光学标靶法需要利用精密的测量仪器和高精度的标靶，利用动态脑功能网络模型的成本较低，能够实现低成本且高准确性的光轴角精度计算。
Description
技术领域
本发明涉及计算机领域，特别涉及一种无人机检测仪的光轴角精度确定方法及相关装置。
背景技术
随着科技的快速发展，无人机在各个领域得到了广泛应用，例如农业、地质勘探、环境监测等。无人机上可以搭载检测仪，检测仪中包括各种传感器，检测仪可以对目标区域的数据进行采集以对目标区域进行数据分析。但是无人机在飞行过程中会受到多种因素的影响，例如气流、风向和地形等，这些因素会导致传感器采集得到的数据有误差，进而影响到检测仪的准确性和可靠性。
因此为了提高检测仪的准确性和可靠性，可以对检测仪进行校准。其中一个重要的校准参数是光轴角精度。光轴角是指传感器的视场中心线与无人机的飞行方向之间的夹角，光轴角的大小能够决定传感器的视场范围和分辨率，也会影响检测仪的测量精度和重现性。
当前常用的光轴角精度的测量方法为光学标靶法，光学标靶法利用特殊设计的光学标靶，测量无人机检测仪在不同角度下的视场中心线，从而计算出光轴角精度。但是光学标靶法需要使用精密的测量仪器和高精度的标靶，因此具有较高的成本和技术难度。此外光学标靶法的测量精度受光线传播影响，很容易导致测量结果不准确。
发明内容
有鉴于此，本申请的目的在于提供一种无人机检测仪的光轴角精度确定方法及相关装置，能够利用动态脑功能网络模型得到较为准确的光轴角精度，相较于光学标靶法测量得到光轴角精度技术难度以及成本都较低。
为实现上述目的，本申请有如下技术方案：
本申请提供了一种无人机检测仪的光轴角精度确定方法，所述方法包括：
获取无人机在不同时刻的飞行信息，所述飞行信息包括位置信息、速度信息和飞行方向信息中的一种或多种；
将所述飞行信息输入至预先构建的动态脑功能网络模型，得到无人机检测仪的光轴角精度；所述动态脑功能网络模型是在基于处理时序关系的神经网络模型的基础上训练得到的。
可选的，所述动态脑功能网络模型的构建方式如下：
利用全球定位系统、气压计、加速度计或磁力计中的至少一个获取得到所述无人机的训练飞行数据；
利用惯性测量单元、陀螺仪、相机以及激光测距仪中的至少一个获取得到所述无人机检测仪的训练光轴角数据；
利用所述训练飞行数据和所述训练光轴角数据，对初始动态脑功能网络模型进行训练，得到所述动态脑功能网络模型。
可选的，所述初始负载预测模型包括输入层、隐藏层和输出层，所述隐藏层包括多个节点。
可选的，所述方法还包括：
确定所述隐藏层包括的多个节点中的关键节点；
调整所述无人机的飞行信息使得所述动态脑功能网络模型输出的光轴角精度为利用所述关键节点得到的。
可选的，所述确定所述隐藏层包括的多个节点中的关键节点包括：
计算每个所述节点的节点度，根据所述节点度计算得到每个所述节点的Rich-club系数；
将Rich-club系数大于阈值的节点确定为关键节点。
可选的，所述方法还包括：
构建损失函数，所述损失函数根据所述训练光轴角数据和预测光轴角数据构建得到，所述预测光轴角数据为训练过程中所述初始动态脑功能网络模型的输出结果；
所述利用所述训练飞行数据和所述训练光轴角数据，对初始动态脑功能网络模型进行训练，得到所述动态脑功能网络模型包括：
利用所述训练飞行数据、所述训练光轴角数据以及所述损失函数，对初始动态脑功能网络模型进行迭代训练，得到所述动态脑功能网络模型。
可选的，所述损失函数为根据所述训练光轴角数据和所述预测光轴角数据构建得到的均方误差函数。
本申请还提供了一种无人机检测仪的光轴角精度确定装置，所述装置包括：
飞行信息获取单元，用于获取无人机在不同时刻的飞行信息，所述飞行信息包括位置信息、速度信息和飞行方向信息中的一种或多种；
光轴角精度确定单元，用于将所述飞行信息输入至预先构建的动态脑功能网络模型，得到无人机检测仪的光轴角精度；所述动态脑功能网络模型是在基于处理时序关系的神经网络模型的基础上训练得到的。
本申请还提供了一种无人机检测仪的光轴角精度确定设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述无人机检测仪的光轴角精度确定方法中的任意一种实现方式。
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中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述无人机检测仪的光轴角精度确定方法中的任意一种实现方式。
本申请提供了一种无人机检测仪的光轴角精度确定方法，方法包括：由于无人机的飞行信息会影响后续对利用光轴角精度对检测仪的校准，因此可以获取无人机在不同时刻的飞行信息，飞行信息包括位置信息、速度信息和飞行方向信息中的一种或多种。之后将飞行信息输入至预先构建的动态脑功能网络模型，得到无人机检测仪的光轴角精度，其中，动态脑功能网络模型是在基于处理时序关系的神经网络模型的基础上训练得到的，也就是说，通过构建无人机的飞行信息和检测仪的光轴角精度的动态脑功能网络模型，从而利用该动态脑功能网络模型直接根据无人机的飞行信息输出光轴角精度，极大的降低了确定光轴角精度的技术难度，并且动态脑功能网络模型是训练得到的，能够有较高的准确度，并且相较于光学标靶法需要利用精密的测量仪器和高精度的标靶，本申请利用动态脑功能网络模型的成本较低，能够实现低成本且高准确性的光轴角精度计算。
附图说明
为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出了本申请实施例提供的一种无人机检测仪的光轴角精度确定方法的流程示意图；
图2示出了本申请实施例提供的一种无人机检测仪的光轴角精度确定装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
目前，光轴角精度的测量方法包括静态测量方法和动态测量方法。动态测量方法是在无人机的实际飞行中采集数据，通过分析传感器的测量结果来推算出光轴角精度。静态测量方法主要是使用专用的校准装置对检测仪进行校准，通过测量校准装置和传感器之间的相对位置关系来计算光轴角精度。
当前常用的光轴角精度的静态测量方法为光学标靶法。在利用光学标靶法测量光轴角精度之前，需要准备一个特殊的标靶。标靶一般由多个特定的图案组成，可以提供多个不同的测量点，同时还需要在标靶上标出相应的坐标系。在测量时需要将无人机检测仪准确安装在标靶的中心位置，并保证其光轴方向垂直于标靶平面。然后，使用特定的仪器，如测角仪或望远镜，沿着标靶上的坐标轴，逐一测量检测仪在不同角度下的视场中心线，记录下相应的坐标和角度数据。最后通过对测量数据进行处理和分析，计算出光轴角精度。具体计算光轴角精度的方法为先将测量点和标靶坐标系对应起来，再计算出每个测量点的理论位置，将理论位置与实际测量位置进行比较，从而计算出光轴角精度。如果需要更高精度的测量结果，还可以采用多点校准法或非线性拟合法等更为复杂的算法进行计算。
但是，光学标靶法需要使用精密的测量仪器和高精度的标靶，因此具有较高的成本和技术难度。同时，标靶的制作和使用过程中可能也会导致误差的引入，从而降低测量结果的准确性和可靠性。
此外，光学标靶法是一种利用光学设备测量物体表面形状和尺寸的方法。这种方法主要包括在被测物体上投射光线，然后通过观察反射或折射后的光线，来计算物体的尺寸和形状。因此，光学标靶法的测量精度受光线传播影响，例如受到光线的扩散和折射等物理效应的影响。这些物理效应会导致光线在传播过程中产生偏差，从而影响测量结果的准确性。光学标靶法在测量不规则形状的物体时也存在问题：由于不规则形状的物体表面没有明显的几何特征，因此在使用光学标靶法进行测量时，可能无法确定测量位置和方向，从而导致测量结果的不准确。光学标靶法还需要在被测物体表面贴上特殊的标靶，这些标靶不仅增加了测量成本，而且还可能会对物体表面产生损伤或污染，从而影响测量结果的可靠性。
也就是说，利用光学标靶法测量光轴角精度很容易导致测量结果不准确。
基于此，本申请提供了一种无人机检测仪的光轴角精度确定方法，通过构建无人机的飞行信息和检测仪的光轴角精度的动态脑功能网络模型，从而利用该动态脑功能网络模型直接根据无人机的飞行信息输出光轴角精度，极大的降低了确定光轴角精度的技术难度，并且动态脑功能网络模型是训练得到的，能够有较高的准确度，并且相较于光学标靶法需要利用精密的测量仪器和高精度的标靶，本申请利用动态脑功能网络模型的成本较低，能够实现低成本且高准确性的光轴角精度计算。
为了更好地理解本申请的技术方案和技术效果，以下将结合附图对具体的实施例进行详细的描述。
第一实施例
参考图1所示，为本申请实施例提供的一种无人机检测仪的光轴角精度确定方法的流程图，该方法包括以下步骤：
S101，获取无人机在不同时刻的飞行信息。
在本申请的实施例中，由于检测仪搭载在无人机上，无人机的飞行信息会影响后续对检测仪的校准，因此为了得到对检测仪进行校准的校准参数，可以获取无人机在不同时刻的飞行信息。其中，检测仪包括校准器，校准参数包括校准器的光轴角精度。飞行信息可以包括位置信息、速度信息和飞行方向信息中的一种或多种。飞行信息还可以包括高度信息、旋转角度信息、角速度信息、加速度信息和重力信息等。
具体的，可以在无人机上搭载多种传感器采集无人机的飞行信息。例如可以在无人机上搭载全球定位系统(GPS)、气压计、加速度计或磁力计等传感器中的至少一个以利用这些传感器获取飞行信息。
作为一种示例，可以利用气压计采集无人机的高度信息和速度信息。
作为另一种示例，可以利用加速度计采集无人机的加速度信息和重力信息。
作为又一种示例，可以利用磁力计采集无人机的方向信息和航向信息。
作为又一种示例，可以利用GPS采集无人机的位置信息、速度信息和飞行方向信息。
也就是说，通过多种传感器可以对无人机的多种信息进行采集，并且采集得到的数据存在交叠部分，此时就可以利用交叠的数据对无人机的飞行信息进行互相验证，提高飞行信息的准确性。
需要说明的是，还可以在无人机上搭载其他传感器，利用这些传感器采集得到的数据计算得到检测仪的光轴角精度。例如，其他传感器可以包括惯性测量单元(IMU)、陀螺仪、相机以及激光测距仪等中的至少一个。
作为一种示例，可以利用IMU采集无人机的加速度信息和角速度信息。
作为另一种示例，可以利用陀螺仪采集无人机的速度信息和旋转角度信息。
作为又一种示例，可以利用相机以及激光测距仪采集无人机相较于检测仪的位置差距信息以及方向差距信息。
通过上述传感器采集得到的数据可以计算得到检测仪的光轴角精度。
需要说明的是，计算得到光轴角精度所采用的传感器在实际无人机飞行中可能不全部搭载，这样会导致不能计算得到光轴角精度。并且根据采集得到数据计算光轴角精度的滞后性较强，在实际无人机飞行时无法满足光轴角精度的及时反馈需求。
在实际应用中，传感器采集得到的数据可以进行数据清洗以及数据处理，以提高数据的可利用性。
S102，将飞行信息输入至预先构建的动态脑功能网络模型，得到无人机检测仪的光轴角精度。
在本申请的实施例中，在通过S101获得不同时刻下无人机的飞行信息之后，可以将飞行信息输入至预先构建的动态脑功能网络模型中，动态脑功能网络模型输出检测仪的光轴角精度，从而实现利用飞行信息以及动态脑功能网络模型直接得到光轴角精度，极大的降低了确定光轴角精度的技术难度。
需要说明的是，动态脑功能网络模型是一种描述人类大脑神经元之间相互作用的网络模型，可以被应用于机器学习中的动态问题。动态脑功能网络模型可以将时间序列数据转换为图形结构，从而可以利用图形分析技术来分析数据。其中，飞行信息是一种时空关系数据，也是时间序列数据，因此可以利用动态脑功能网络模型进行数据分析。并且，光轴角精度受到无人机的飞行信息的影响，这样光轴角精度也与时空关系相关，因此可以利用动态脑功能网络的方法来构建无人机和检测仪的时空关系模型，即利用动态脑功能网络模型描述无人机和检测仪的复杂时空交互。
为实现利用动态脑功能网络模型描述无人机和检测仪的复杂时空交互，可以在基于处理时序关系的神经网络模型的基础上训练得到动态脑功能网络模型，具体训练过程将在第二实施例中介绍。
综上，本申请实施例提供的无人机检测仪的光轴角精度确定方法，通过构建无人机的飞行信息和检测仪的光轴角精度的动态脑功能网络模型，从而利用该动态脑功能网络模型直接根据无人机的飞行信息输出光轴角精度，极大的降低了确定光轴角精度的技术难度，动态脑功能网络模型是训练得到的，能够有较高的准确度，并且相较于光学标靶法需要利用精密的测量仪器和高精度的标靶，本申请利用动态脑功能网络模型的成本较低，能够实现低成本且高准确性的光轴角精度计算。
第二实施例
本实施例将对上述实施例中提及的动态脑功能网络模型的构建过程进行介绍。具体可以包括以下步骤S201-S203：
S201，利用全球定位系统、气压计、加速度计或磁力计中的至少一个获取得到无人机的训练飞行数据。
S202，利用惯性测量单元、陀螺仪、相机以及激光测距仪中的至少一个获取得到无人机检测仪的训练光轴角数据。
在本申请的实施例中，为构建动态脑功能网络模型，需要收集大量的训练样本数据，即需要收集无人机的训练飞行数据以及检测仪的训练光轴角数据，从而利用训练飞行数据以及检测仪的训练光轴角数据进行训练得到动态脑功能网络模型。
具体的，如第一实施例中可以利用全球定位系统、气压计、加速度计或磁力计等中的至少一个传感器获取飞行信息，可以利用惯性测量单元、陀螺仪、相机以及激光测距仪中的至少一个获取光轴角精度，因此，可以利用全球定位系统、气压计、加速度计或磁力计等传感器中的至少一个获取训练飞行数据，利用惯性测量单元、陀螺仪、相机以及激光测距仪中的至少一个获取训练光轴角数据。
在收集训练飞行数据和训练光轴角数据的同时，还可以构建初始动态脑功能网络模型，并初始化模型参数。
作为一种示例，初始动态脑功能网络模型可以表示为：
其中，表示在时间t的变化率，f(y(t),t)表示状态y(t)在时间t的变化。
在本申请的实施例中，可以利用训练飞行数据和训练光轴角数据对初始动态脑功能网络模型进行训练，训练时训练光轴角数据作为变化率，训练飞行数据作为状态，时间作为变化量。
需要说明的是，初始动态脑功能网络模型可以是一个具有多层的神经网络模型，其中每一层代表一个时间步骤，每个时间步骤可以由输入层、隐藏层和输出层构成，其中，隐藏层包括多个节点。
输入层将无人机的飞行信息作为输入，隐藏层通过学习训练飞行数据和训练光轴角数据，捕获训练飞行数据和训练光轴角数据这两种时间序列数据中的长期依赖性。输出层将光轴角精度作为输出，从而获得无人机检测仪校准器的光轴角精度。
隐藏层的具体结构可以采用循环神经网络(RNN)或长短期记忆网络(LSTM)，这两种结构可以自适应地处理具有时序关系的数据，能够捕获时间序列数据中的长期依赖性。
作为一种可能的实现方式，隐藏层的具体结构采用循环神经网络结构，在训练过程中需要利用训练飞行数据和训练光轴角数据计算循环神经网络结构的隐藏状态。
作为一种示例，可以利用以下计算公式计算循环神经网络结构的隐藏状态：
ht＝f(Whhht-1+Wxhxt+bh)
其中，xt表示在时间t的输入，ht表示在时间t的隐藏状态，ht-1表示在时间t-1的隐藏状态，Whh表示隐藏状态之间的权重矩阵，Wxh表示输入层到隐藏层之间的权重矩阵，bh表示隐藏层的偏置项。也就是说，隐藏层的t时刻的隐藏状态受t-1时刻的隐藏状态的影响。
在本申请的实施例中，在利用训练飞行数据和训练光轴角数据训练初始动态脑功能网络模型得到动态脑功能网络模型时，可以通过构建损失函数从而利用损失函数指导初始动态脑功能网络模型的训练，提高最终得到的动态脑功能网络模型的输出准确性。
可以使用反向传播算法来训练初始动态脑功能网络模型，以最小化预测输出和实际输出之间的误差，其中预测输出为预测光轴角数据，预测光轴角数据为训练过程中初始动态脑功能网络模型的输出结果，实际输出为训练光轴角数据，为对初始动态脑功能网络模型进行训练的数据。也就是说，损失函数可以根据训练光轴角数据和预测光轴角数据构建得到，从而利用训练飞行数据、训练光轴角数据以及损失函数，对初始动态脑功能网络模型进行迭代训练，得到动态脑功能网络模型，这样利用损失函数训练得到的动态脑功能网络模型的输出结果具有较高的准确性。
作为一种示例，可以将根据训练光轴角数据和预测光轴角数据构建得到的均方误差函数作为损失函数。均方误差函数的公式可以如下所示：
其中，N表示样本数量，yi表示实际输出，表示预测输出。
第三实施例
本实施例将详细介绍如何利用动态脑功能网络模型提高光轴角精度的准确性，进而提高检测仪的精度。具体可以包括以下步骤S301-S303：
S301，确定隐藏层包括的多个节点中的关键节点。
在本申请的实施例中，富人俱乐部(Rich-club)分析方法是一种用于评估复杂网络中节点重要性和联系强度的方法。Rich-club分析方法可以用来发现网络中的富人俱乐部，富人俱乐部包括多个关键节点，并评估这些关键节点对整个网络的影响力和控制能力。在动态脑功能网络中，Rich-club分析可以识别隐藏层中哪些节点对无人机飞行和检测仪的操作具有重要影响，并指导后续进行相应的优化和改进。
也就是说，可以利用Rich-club分析方法确定隐藏层包括的多个节点中的关键节点，从而后续利用这些关键节点优化动态脑功能网络模型的结构以及辅助进行实际飞行。
具体的，可以计算隐藏层包括的多个节点中每个节点的节点度，节点度指的是每个节点与其他节点的连接数量。节点度和连接数量呈正比关系，即连接数量越高，节点度越大。节点度较大的节点和其他节点的连接强度和对网络的控制能力较高。
在计算得到每个节点的节点度之后，可以根据节点度计算得到每个节点的Rich-club系数。可以使用Rich-club系数来识别多个节点中的关键节点。Rich-club系数可以表示网络中具有较高节点度的节点之间的联系强度和影响力。通常节点度和Rich-club系数呈正比关系，即Rich-club系数随着节点度的增加而增加。Rich-club分析可以更深入地理解网络的结构和关系。Rich-club分析考虑了节点度的增长趋势，并在节点度较高的节点之间寻找集中的联系，利用Rich-club系数有助于确定哪些节点不仅具有较高的节点度，而且较高节点度的节点形成了重要的富人俱乐部，对整个网络的控制和影响力更为显著。也就是说，Rich-club分析提供了更全面的网络洞察，以便指导优化和改进。
在得到Rich-club系数之后，可以将Rich-club系数较高的节点确定为关键节点，具体可以是将Rich-club系数大于阈值的节点确定为关键节点，其中阈值可以根据实际情况进行确定。
S302，调整无人机的飞行信息使得动态脑功能网络模型输出的光轴角精度为利用关键节点得到的。
在本申请的实施例中，通过Rich-club分析，具有较高Rich-club系数的节点被认为是网络中最重要的节点，将具有较高Rich-club系数的节点确定为关键节点，并评估它们对整个网络的影响力和控制能力。关键节点可以帮助优化网络结构和操作方法，提高无人机检测仪校准器的光轴角精度，从而更好地满足实际应用需求。
动态脑功能网络模型和Rich-club分析方法可以应用到实际操作中，可以通过时空观测和反馈调整，不断提升无人机检测仪校准器的光轴角精度。
作为一种可能的实现方式，通过动态脑功能网络模型和Rich-club分析方法，可以确定哪些节点对无人机飞行和检测仪的操作具有重要影响，将这些节点确定为关键节点。利用关键节点，调整无人机的飞行信息使得动态脑功能网络模型输出的光轴角精度为利用关键节点得到的，这样可以进一步提高输出的光轴角精度的准确性，从而提高检测仪的精度。
作为另一种可能的实现方式，通过动态脑功能网络模型和Rich-club分析方法，可以确定哪些节点对光轴角精度具有重要影响，将这些节点确定为关键节点。可以调整检测仪相对于无人机的位置和姿态，即调整检测仪相较于无人机的位置差距信息以及方向差距信息，使得动态脑功能网络模型输出的光轴角精度为利用关键节点得到的。
作为又一种可能的实现方式，通过Rich-club分析方法，还可以对数据采集以及处理过程进行优化，去除数据噪声和冗余信息，提高数据的质量和准确性，还可以优化动态脑功能网络模型的结构，从而提高输出光轴角精度的效率和准确定。
综上，基于动态脑功能网络模型以及Rich-club分析方法，不仅可以提高检测仪的精度，还可以指导无人机飞行和操作，从而提高无人机的性能和效率。
第四实施例
基于以上实施例提供的无人机检测仪的光轴角精度确定方法，本申请实施例还提供了一种无人机检测仪的光轴角精度确定装置。
参见图2，为本实施例提供的一种无人机检测仪的光轴角精度确定装置的结构示意图，该装置200包括：
飞行信息获取单元210，用于获取无人机在不同时刻的飞行信息，所述飞行信息包括位置信息、速度信息和飞行方向信息中的一种或多种；
光轴角精度确定单元220，用于将所述飞行信息输入至预先构建的动态脑功能网络模型，得到无人机检测仪的光轴角精度；所述动态脑功能网络模型是在基于处理时序关系的神经网络模型的基础上训练得到的。
在本实施例的一种实现方式中，该装置200还包括模型构建单元，所述模型构建单元，用于：
利用全球定位系统、气压计、加速度计或磁力计中的至少一个获取得到所述无人机的训练飞行数据；
利用惯性测量单元、陀螺仪、相机以及激光测距仪中的至少一个获取得到所述无人机检测仪的训练光轴角数据；
利用所述训练飞行数据和所述训练光轴角数据，对初始动态脑功能网络模型进行训练，得到所述动态脑功能网络模型。
在本实施例的一种实现方式中，所述初始负载预测模型包括输入层、隐藏层和输出层，所述隐藏层包括多个节点。
在本实施例的一种实现方式中，该装置200还包括调整单元，所述调整单元，用于：
确定所述隐藏层包括的多个节点中的关键节点；
调整所述无人机的飞行信息使得所述动态脑功能网络模型输出的光轴角精度为利用所述关键节点得到的。
在本实施例的一种实现方式中，所述调整单元，用于：
计算每个所述节点的节点度，根据所述节点度计算得到每个所述节点的Rich-club系数；
将Rich-club系数大于阈值的节点确定为关键节点。
在本实施例的一种实现方式中，该装置200还包括损失函数构建单元，所述损失函数构建单元，用于：
构建损失函数，所述损失函数根据所述训练光轴角数据和预测光轴角数据构建得到，所述预测光轴角数据为训练过程中所述初始动态脑功能网络模型的输出结果；
所述模型构建单元，用于：
利用所述训练飞行数据、所述训练光轴角数据以及所述损失函数，对初始动态脑功能网络模型进行迭代训练，得到所述动态脑功能网络模型。
在本实施例的一种实现方式中，所述损失函数为根据所述训练光轴角数据和所述预测光轴角数据构建得到的均方误差函数。
进一步地，本申请实施例还提供了一种无人机检测仪的光轴角精度确定设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述无人机检测仪的光轴角精度确定方法的任一种实现方法。
进一步地，本申请实施例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中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述无人机检测仪的光轴角精度确定方法的任一种实现方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
以上所述仅是本申请的优选实施方式，虽然本申请已以较佳实施例披露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。
Claims (10)
1.一种无人机检测仪的光轴角精度确定方法，其特征在于，所述方法包括：
获取无人机在不同时刻的飞行信息，所述飞行信息包括位置信息、速度信息和飞行方向信息中的一种或多种；
将所述飞行信息输入至预先构建的动态脑功能网络模型，得到无人机检测仪的光轴角精度；所述动态脑功能网络模型是在基于处理时序关系的神经网络模型的基础上训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述动态脑功能网络模型的构建方式如下：
利用全球定位系统、气压计、加速度计或磁力计中的至少一个获取得到所述无人机的训练飞行数据；
利用惯性测量单元、陀螺仪、相机以及激光测距仪中的至少一个获取得到所述无人机检测仪的训练光轴角数据；
利用所述训练飞行数据和所述训练光轴角数据，对初始动态脑功能网络模型进行训练，得到所述动态脑功能网络模型。
3.根据权利要求2所述的方法，其特征在于，所述初始负载预测模型包括输入层、隐藏层和输出层，所述隐藏层包括多个节点。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
确定所述隐藏层包括的多个节点中的关键节点；
调整所述无人机的飞行信息使得所述动态脑功能网络模型输出的光轴角精度为利用所述关键节点得到的。
5.根据权利要求4所述的方法，其特征在于，所述确定所述隐藏层包括的多个节点中的关键节点包括：
计算每个所述节点的节点度，根据所述节点度计算得到每个所述节点的Rich-club系数；
将Rich-club系数大于阈值的节点确定为关键节点。
6.根据权利要求2-5任意一项所述的方法，其特征在于，所述方法还包括：
构建损失函数，所述损失函数根据所述训练光轴角数据和预测光轴角数据构建得到，所述预测光轴角数据为训练过程中所述初始动态脑功能网络模型的输出结果；
所述利用所述训练飞行数据和所述训练光轴角数据，对初始动态脑功能网络模型进行训练，得到所述动态脑功能网络模型包括：
利用所述训练飞行数据、所述训练光轴角数据以及所述损失函数，对初始动态脑功能网络模型进行迭代训练，得到所述动态脑功能网络模型。
7.根据权利要求6所述的方法，其特征在于，所述损失函数为根据所述训练光轴角数据和所述预测光轴角数据构建得到的均方误差函数。
8.一种无人机检测仪的光轴角精度确定装置，其特征在于，所述装置包括：
飞行信息获取单元，用于获取无人机在不同时刻的飞行信息，所述飞行信息包括位置信息、速度信息和飞行方向信息中的一种或多种；
光轴角精度确定单元，用于将所述飞行信息输入至预先构建的动态脑功能网络模型，得到无人机检测仪的光轴角精度；所述动态脑功能网络模型是在基于处理时序关系的神经网络模型的基础上训练得到的。
9.一种无人机检测仪的光轴角精度确定设备，其特征在于，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311855751.7A CN117782186A (zh) | 2023-12-29 | 2023-12-29 | 一种无人机检测仪的光轴角精度确定方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311855751.7A CN117782186A (zh) | 2023-12-29 | 2023-12-29 | 一种无人机检测仪的光轴角精度确定方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117782186A true CN117782186A (zh) | 2024-03-29 |
Family
ID=90389010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311855751.7A Pending CN117782186A (zh) | 2023-12-29 | 2023-12-29 | 一种无人机检测仪的光轴角精度确定方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117782186A (zh) |
-
2023
- 2023-12-29 CN CN202311855751.7A patent/CN117782186A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109188026B (zh) | 适用于mems加速度计的自动标定的深度学习方法 | |
| CN114526745B (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
| CN113091738B (zh) | 基于视觉惯导融合的移动机器人地图构建方法及相关设备 | |
| CN109507706B (zh) | 一种gps信号丢失的预测定位方法 | |
| CN113933818A (zh) | 激光雷达外参的标定的方法、设备、存储介质及程序产品 | |
| CN112683307B (zh) | 一种星敏感器星点质心位置精度测量方法 | |
| CN105738915A (zh) | 三维雷达测量方法及装置 | |
| CN118067157B (zh) | 一种惯性测量单元性能评估方法、装置、设备及介质 | |
| CN103344252B (zh) | 一种航空高光谱成像系统定位误差分析方法 | |
| CN115878939A (zh) | 基于飞行器舵面偏转的高精度动态测量方法 | |
| Deschênes et al. | Lidar scan registration robust to extreme motions | |
| CN111735459B (zh) | 小天体探测器间协同导航方法 | |
| CN108562269A (zh) | 一种相对高度测量方法及装置 | |
| CN110888142B (zh) | 基于mems激光雷达测量技术的航天器隐藏目标点测量方法 | |
| CN117782186A (zh) | 一种无人机检测仪的光轴角精度确定方法及相关装置 | |
| CN113503891B (zh) | 一种sinsdvl对准校正方法、系统、介质及设备 | |
| CN112598617B (zh) | 一种基于虚拟平台的外弹道光学测量精度分析方法 | |
| CN115060292A (zh) | 一种基于正弦拟合的仿生导航视觉传感器消光比测评方法 | |
| CN114485613A (zh) | 一种多信息融合水下机器人定位方法 | |
| CN114001759A (zh) | 一种阵列式mems传感器控制方法及系统 | |
| Chu et al. | Magnetic orientation system based on magnetometer, accelerometer and gyroscope | |
| CN112131768A (zh) | 一种基于模态和频率的谐振式加速度计优化方法 | |
| CN111399210A (zh) | 大口径大视场望远镜粗对准方法、装置、设备及存储介质 | |
| CN113671161B (zh) | 一种基于lstm神经网络算法的无人机路面病害检测方法 | |
| RU2730367C1 (ru) | Способ калибровки интеллектуальных датчиков |
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 |