TWI824198B - 預測無人機的耗電量的方法及使用所述方法的無人機 - Google Patents

預測無人機的耗電量的方法及使用所述方法的無人機 Download PDF

Info

Publication number
TWI824198B
TWI824198B TW109140566A TW109140566A TWI824198B TW I824198 B TWI824198 B TW I824198B TW 109140566 A TW109140566 A TW 109140566A TW 109140566 A TW109140566 A TW 109140566A TW I824198 B TWI824198 B TW I824198B
Authority
TW
Taiwan
Prior art keywords
power consumption
historical
data
climate data
current
Prior art date
Application number
TW109140566A
Other languages
English (en)
Other versions
TW202221625A (zh
Inventor
楊創發
Original Assignee
中華電信股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 中華電信股份有限公司 filed Critical 中華電信股份有限公司
Priority to TW109140566A priority Critical patent/TWI824198B/zh
Publication of TW202221625A publication Critical patent/TW202221625A/zh
Application granted granted Critical
Publication of TWI824198B publication Critical patent/TWI824198B/zh

Links

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提出一種預測無人機的耗電量的方法及使用所述方法的無人機。方法包含:根據至少一感測器以及收發器的至少其中之一取得歷史氣候資料以及當前氣候資料;監視無人機的耗電量以取得對應於歷史氣候資料的歷史耗電量;根據歷史氣候資料以及歷史耗電量訓練機器學習模型,並且將當前氣候資料輸入至機器學習模型以產生預測耗電量;以及輸出預測耗電量。

Description

預測無人機的耗電量的方法及使用所述方法的無人機
本發明是有關於一種預測無人機的耗電量的方法及使用所述方法的無人機(unmanned aerial vehicle,UAV)。
一般來說,無人機的電力會隨著使用時間而遞減。無人機的耗電量受到多種因素影響,包括無人機的硬體能力、飛行任務或酬載(payload)等。除此之外,無人機的耗電量也容易受到氣候影響。然而,現行技術並無法掌握氣候對無人機的耗電量的影響而精準地預測無人機的耗電量。因此,如何根據氣候的不同來預測無人機的耗電量,是本領域的重要議題。
本發明提供一種預測無人機的耗電量的方法及使用所述方法的無人機,可根據氣候資料預測無人機的耗電量。
本發明的一種無人機,包含處理器、儲存媒體、收發器以及至少一感測器。儲存媒體儲存多個模組。處理器耦接儲存媒體、至少一感測器以及收發器,並且存取和執行多個模組,其中多個模組包含資料收集模組、電量監視模組、耗電量預測模組以及輸出模組。資料收集模組根據至少一感測器以及收發器的至少其中之一取得歷史氣候資料以及當前氣候資料。電量監視模組監視無人機的耗電量以取得對應於歷史氣候資料的歷史耗電量。耗電量預測模組根據歷史氣候資料以及歷史耗電量訓練機器學習模型,並且將當前氣候資料輸入至機器學習模型以產生預測耗電量。輸出模組通過收發器輸出預測耗電量。
在本發明的一實施例中,上述的當前氣候資料對應於第一時段,其中電量監視模組監視無人機的耗電量以取得對應於第二時段的先前耗電量,其中第二時段早於第一時段,其中耗電量預測模組將當前氣候資料以及先前耗電量輸入至機器學習模型以產生預測耗電量。
在本發明的一實施例中,上述的資料收集模組通過收發器取得無人機的規格資料,其中耗電量預測模組根據規格資料、歷史氣候資料以及歷史耗電量訓練機器學習模型,其中耗電量預測模組將當前氣候資料以及規格資料輸入至機器學習模型以產生預測耗電量。
在本發明的一實施例中,上述的資料收集模組通過收發器取得歷史飛行指令集以及當前飛行指令集,其中耗電量預測模組根據歷史飛行指令集、歷史氣候資料以及歷史耗電量訓練機器學習模型,其中耗電量預測模組將當前飛行指令集以及當前氣候資料輸入至機器學習模型以產生預測耗電量。
在本發明的一實施例中,上述的當前飛行指令集關聯於下列指令中的至少其中之一:飛行姿態、飛行速度以及海拔高度,其中飛行速度包含水平速度以及垂直速度。
在本發明的一實施例中,上述的至少一感測器包含溫度計以及濕度計,其中當前氣候資料包含溫度以及濕度。
在本發明的一實施例中,上述的至少一感測器包含氣壓計、風速計以及風向計,其中當前氣候資料包含氣壓、風速以及風向。
在本發明的一實施例中,上述的多個模組更包含資料讀取與修正模組。資料讀取與修正模組移除歷史氣候資料、當前氣候資料以及歷史耗電量中的異常值以更新歷史氣候資料、當前氣候資料以及歷史耗電量。
本發明的一種預測無人機的耗電量的方法,包含:根據至少一感測器以及收發器的至少其中之一取得歷史氣候資料以及當前氣候資料;監視無人機的耗電量以取得對應於歷史氣候資料的歷史耗電量;根據歷史氣候資料以及歷史耗電量訓練機器學習模型,並且將當前氣候資料輸入至機器學習模型以產生預測耗電量;以及輸出預測耗電量。
基於上述,本發明可根據歷史氣候資料和歷史耗電量訓練機器學習模型,並且根據機器學習模型產生無人機的預測耗電量。
為了使本發明之內容可以被更容易明瞭,以下特舉實施例作為本發明確實能夠據以實施的範例。另外,凡可能之處,在圖式及實施方式中使用相同標號的元件/構件/步驟,係代表相同或類似部件。
圖1根據本發明的實施例繪示一種無人機100的示意圖。無人機100可包含處理器110、儲存媒體120、收發器130以及感測器140。
處理器110例如是中央處理單元(central processing unit,CPU),或是其他可程式化之一般用途或特殊用途的微控制單元(micro control unit,MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor,DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit,ASIC)、圖形處理器(graphics processing unit,GPU)、影像訊號處理器(image signal processor,ISP)、影像處理單元(image processing unit,IPU)、算數邏輯單元(arithmetic logic unit,ALU)、複雜可程式邏輯裝置(complex programmable logic device,CPLD)、現場可程式化邏輯閘陣列(field programmable gate array,FPGA)或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130,並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)、硬碟(hard disk drive,HDD)、固態硬碟(solid state drive,SSD)或類似元件或上述元件的組合,而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中,儲存媒體120可儲存包括資料收集模組121、電量監視模組122、資料讀取與修正模組123、耗電量預測模組124以及輸出模組125等多個模組,其功能將於後續說明。儲存媒體120可包含諸如關聯式資料庫(relational database,RDB)、非關聯式資料庫、分散式資料庫、搜尋引擎資料庫、目錄服務(lightweight directory access protocol,LDAP)、檔案(file)或是記憶體等儲存體。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
感測器140可包含一或多個與氣候資料的量測相關的感測器。在一實施例中,感測器140可包含溫度計141、氣壓計142、風速計143、風向計144或濕度計145,但本發明不限於此。資料收集模組121可通過收發器130或感測器140取得歷史氣候資料以及當前氣候資料。歷史氣候資料或當前氣候資料可關聯於溫度、氣壓、風速、風向或濕度,但本發明不限於此。舉例來說,感測器140可通過感測器140進行測量以取得溫度、氣壓、風速、風向或濕度等資訊。舉另一例來說,感測器140可通過收發器130以從氣象局的網站取得溫度、氣壓、風速、風向或濕度等資訊。舉又一例來說,感測器140可通過收發器130以從終端裝置接收由使用者輸入的溫度、氣壓、風速、風向或濕度等資訊。歷史氣候資料對應的時段早於當前氣候資料對應的時段。
電量監視模組122可監視無人機100的耗電量以取得對應於歷史氣候資料的歷史耗電量。在取得歷史氣候資料和歷史耗電量後,耗電量預測模組124可根據歷史氣候資料和歷史耗電量訓練機器學習模型。
在一實施例中,資料收集模組121可通過收發器130取得無人機100的規格資料。耗電量預測模組124可根據規格資料、歷史氣候資料和歷史耗電量訓練機器學習模型。
在一實施例中,資料收集模組121可通過收發器130取得對應於歷史氣候資料的歷史飛行指令集。耗電量預測模組124可根據歷史飛行指令集、歷史氣候資料和歷史耗電量訓練機器學習模型。歷史飛行指令集可關聯於飛行姿態、飛行速度或海拔高度等飛行指令,其中飛行速度可包含水平速度或垂直速度。
在一實施例中,在耗電量預測模組124根據歷史氣候資料、歷史耗電量、規格資料或歷史飛行指令集訓練機器學習模型之前,資料讀取與修正模組123可先移除歷史氣候資料、歷史耗電量、規格資料或歷史飛行指令集中的異常值,以使耗電量預測模組124訓練出的機器學習模型更加地準確。
為了移除一資料集中的資料點,在一實施例中,資料讀取與修正模組123可基於資料點大於上限或小於下限而判斷該資料點為異常值,並且自資料集移除該資料點(或更新該資料點)。在一實施例中,資料讀取與修正模組123可透過常態分布法移除資料集中的異常值(或更新該資料點)。具體來說,資料讀取與修正模組123可建立資料集的常態分布曲線。由於約有99.7%的數值分布在距離資料集的平均值3個標準差內的範圍中,故資料讀取與修正模組123可移除或修正資料集中超過3個標準差的資料點。修正後的資料集(即:修正後的歷史氣候資料、歷史耗電量、規格資料或歷史飛行指令集)可用以訓練機器學習模型。
機器學習模型例如是類神經網路模型。類神經網路模型可包含輸入層(input layer)、隱藏層(hidden layer)和輸出層(output layer)。耗電量預測模組124可將修正後的資料集分割為訓練(train)資料集、驗證(validation)資料集和測試(test)資料集。輸入層可接收訓練資料集、驗證資料集或測試資料集。輸出層可輸出類神經網路模型的訓練結果或計算結果。隱藏層位於輸入層和輸出層之間。輸入層、隱藏層和輸出層可分別包含一或多個節點,其中所述一或多個節點可依據使用者的需求而變動。輸入層中的一或多個節點可分別與隱藏層中的一或多個節點連接,並且隱藏層中的一或多個節點可分別與輸出層中的一或多個節點連接。在耗電量預測模組124進行類神經網路模型的訓練時,耗電量預測模組124可先使用訓練資料集訓練類神經網路模型。接著,耗電量預測模組124可利用驗證資料集評估類神經網路模型的訓練狀況,判斷類神經網路模型是否過度學習(overfitting),從而根據判斷結果調整類神經網路模型的參數以產生最佳的類神經網路模型。在類神經網路模型經過充分的驗證後,耗電量預測模組124可利用測試資料集評估最終的類神經網路模型的效能。
假設測試資料集 如公式(1)所示,並且類神經網路模型的輸出值 如公式(2)所示,其中n為正整數。耗電量預測模組124可根據如公式(3)所示的平均絕對誤差法(mean absolute error,MAE)、如公式(4)所示的平均絕對百分比誤差法(mean absolute percentage error,MAPE)或如公式(5)所示的均方根誤差法(root mean square error,RMSE)來計算類神經網路模型的損失函數f。損失函數f的值越小,代表類神經網路模型的效能越好。若損失函數f的值過大,則耗電量預測模組124可調整類神經網路模型中各個層(即:輸入層、隱藏層和輸出層)之中的節點的數量,並重新訓練類神經網路模型。 …(1) …(2) …(3) …(4) …(5)
在耗電量預測模組124產生機器學習模型後,耗電量預測模組124可將當前氣候資料輸入至機器學習模型以產生預測耗電量。輸出模組125可通過收發器130輸出預測耗電量。例如,輸出模組125可通過收發器130傳送預測耗電量給用以操控無人機100的終端裝置。終端裝置可通過輸出裝置(例如:顯示器)輸出預測耗電量以供無人機100的操作者或管理者參考。在一實施例中,在將當前氣候資料輸入至機器學習模型之前,資料讀取與修正模組123可移除或更新當前氣候資料中的異常值。
在一實施例中,無人機100的預測耗電量可與無人機100的規格資料有關。耗電量預測模組124可將規格資料和當前氣候資料輸入至機器學習模型以產生預測耗電量。
在一實施例中,無人機100的預測耗電量可與飛行指令集相關。耗電量預測模組124可將當前飛行指令集和當前氣候資料輸入至機器學習模型以產生預測耗電量。在一實施例中,在將前飛行指令集輸入至機器學習模型之前,資料讀取與修正模組123可移除或更新當前飛行指令集中的異常值。
在一實施例中,無人機100的預測耗電量可與先前耗電量有關。具體來說,假設當前氣候資料對應於第一時段,則電量監視模組122可監視無人機100的耗電量以取得對應於第二時段的先前耗電量,其中第二時段早於第一時段。耗電量預測模組124可將先前耗電量以及當前氣候資料輸入至機器學習模型以產生預測耗電量。在一實施例中,在將先前耗電量輸入至機器學習模型之前,資料讀取與修正模組123可移除或更新將先前耗電量中的異常值。
圖2根據本發明的實施例繪示一種預測無人機的耗電量的方法的流程圖,其中所述方法可由如圖1所示的無人機100實施。在步驟S201中,根據至少一感測器以及收發器的至少其中之一取得歷史氣候資料以及當前氣候資料。在步驟S202中,監視無人機的耗電量以取得對應於歷史氣候資料的歷史耗電量。在步驟S203中,根據歷史氣候資料以及歷史耗電量訓練機器學習模型,並且將當前氣候資料輸入至機器學習模型以產生預測耗電量。在步驟S204中,輸出預測耗電量。
綜上所述,本發明不只利用無人機各種飛行狀態資料及用歷史耗電量資料,還整合當前天候資料。本發明可透過將當前氣候資料導入預測模型進行耗電量預測,因此能提供無人機的控制者評估執行各種繁雜飛行任務所需耗電量之較佳預測參考,提早為影響無人機執行飛行任務最甚的天氣因素預做處置,進而有效減少飛行事故的產生。
100:無人機 110:處理器 120:儲存媒體 121:資料收集模組 122:電量監視模組 123:資料讀取與修正模組 124:耗電量預測模組 125:輸出模組 130:收發器 140:感測器 141:溫度計 142:氣壓計 143:風速計 144:風向計 145:濕度計 S201、S202、S203、S204:步驟
圖1根據本發明的實施例繪示一種無人機的示意圖。 圖2根據本發明的實施例繪示一種預測無人機的耗電量的方法的流程圖。
S201、S202、S203、S204:步驟

Claims (6)

  1. 一種無人機,包括:收發器;至少一感測器;儲存媒體,儲存多個模組;以及處理器,耦接所述儲存媒體、所述至少一感測器以及所述收發器,並且存取和執行所述多個模組,其中所述多個模組包括:資料收集模組,根據所述至少一感測器以及所述收發器的至少其中之一取得歷史氣候資料、當前氣候資料、歷史飛行指令集以及當前飛行指令集,其中所述當前氣候資料對應於第一時段;電量監視模組,監視所述無人機的耗電量以取得對應於所述歷史氣候資料的歷史耗電量,其中所述電量監視模組監視所述無人機的所述耗電量以取得對應於第二時段的先前耗電量,其中所述第二時段早於所述第一時段;耗電量預測模組,根據所述歷史氣候資料、所述歷史耗電量以及歷史飛行指令集訓練機器學習模型,並且將所述當前氣候資料、所述先前耗電量以及當前飛行指令集輸入至所述機器學習模型以產生預測耗電量;輸出模組,通過所述收發器輸出所述預測耗電量;以及資料讀取與修正模組,移除所述歷史氣候資料、所述當前氣候資料以及所述歷史耗電量中的異常值以更新所述歷史 氣候資料、所述當前氣候資料以及所述歷史耗電量。
  2. 如請求項1所述的無人機,其中所述資料收集模組通過所述收發器取得所述無人機的規格資料,其中所述耗電量預測模組根據所述規格資料、所述歷史氣候資料以及所述歷史耗電量訓練所述機器學習模型,其中所述耗電量預測模組將所述當前氣候資料以及所述規格資料輸入至所述機器學習模型以產生所述預測耗電量。
  3. 如請求項1所述的無人機,其中所述當前飛行指令集關聯於下列指令中的至少其中之一:飛行姿態、飛行速度以及海拔高度,其中所述飛行速度包括水平速度以及垂直速度。
  4. 如請求項1所述的無人機,其中所述至少一感測器包括溫度計以及濕度計,其中所述當前氣候資料包括溫度以及濕度。
  5. 如請求項1所述的無人機,其中所述至少一感測器包括氣壓計、風速計以及風向計,其中所述當前氣候資料包括氣壓、風速以及風向。
  6. 一種預測無人機的耗電量的方法,包括:由處理器根據至少一感測器以及收發器的至少其中之一取得歷史氣候資料、當前氣候資料、歷史飛行指令集以及當前飛行指令集,其中所述當前氣候資料對應於第一時段;由該處理器監視所述無人機的耗電量以取得對應於所述歷史 氣候資料的歷史耗電量,並且監視所述無人機的所述耗電量以取得對應於第二時段的先前耗電量,其中所述第二時段早於所述第一時段;由該處理器移除所述歷史氣候資料、所述當前氣候資料以及所述歷史耗電量中的異常值以更新所述歷史氣候資料、所述當前氣候資料以及所述歷史耗電量;由該處理器根據所述歷史氣候資料、所述歷史耗電量以及歷史飛行指令集訓練機器學習模型,並且將所述當前氣候資料、所述先前耗電量以及當前飛行指令集輸入至所述機器學習模型以產生預測耗電量;以及由該處理器輸出所述預測耗電量。
TW109140566A 2020-11-19 2020-11-19 預測無人機的耗電量的方法及使用所述方法的無人機 TWI824198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW109140566A TWI824198B (zh) 2020-11-19 2020-11-19 預測無人機的耗電量的方法及使用所述方法的無人機

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109140566A TWI824198B (zh) 2020-11-19 2020-11-19 預測無人機的耗電量的方法及使用所述方法的無人機

Publications (2)

Publication Number Publication Date
TW202221625A TW202221625A (zh) 2022-06-01
TWI824198B true TWI824198B (zh) 2023-12-01

Family

ID=83062483

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109140566A TWI824198B (zh) 2020-11-19 2020-11-19 預測無人機的耗電量的方法及使用所述方法的無人機

Country Status (1)

Country Link
TW (1) TWI824198B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869747A (zh) * 2021-09-29 2021-12-31 天津云圣智能科技有限责任公司 全自动机场的电池调度方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109582034A (zh) * 2018-11-29 2019-04-05 沈阳无距科技有限公司 一种多任务航线规划方法、装置及电子设备
CN110816549A (zh) * 2018-08-10 2020-02-21 株式会社东芝 能源管理装置、模型管理方法以及计算机程序
TWM594769U (zh) * 2019-11-15 2020-05-01 建源光電科技有限公司 無人機高山物流系統
CN111506093A (zh) * 2020-04-09 2020-08-07 陕西省地方电力(集团)有限公司延安供电分公司 一种基于无人机的电力巡检系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110816549A (zh) * 2018-08-10 2020-02-21 株式会社东芝 能源管理装置、模型管理方法以及计算机程序
CN109582034A (zh) * 2018-11-29 2019-04-05 沈阳无距科技有限公司 一种多任务航线规划方法、装置及电子设备
TWM594769U (zh) * 2019-11-15 2020-05-01 建源光電科技有限公司 無人機高山物流系統
CN111506093A (zh) * 2020-04-09 2020-08-07 陕西省地方电力(集团)有限公司延安供电分公司 一种基于无人机的电力巡检系统及方法

Also Published As

Publication number Publication date
TW202221625A (zh) 2022-06-01

Similar Documents

Publication Publication Date Title
EP3926582B1 (en) Model generating apparatus, method, and program, and prediction apparatus
US20220139070A1 (en) Learning apparatus, estimation apparatus, data generation apparatus, learning method, and computer-readable storage medium storing a learning program
US20230131283A1 (en) Method for generating universal learned model
JP6853148B2 (ja) 検知装置、検知方法及び検知プログラム
WO2017024583A1 (zh) 模型预测控制的方法和装置
CN111444953B (zh) 一种基于改进粒子群优化算法的传感器故障监测方法
WO2018171165A1 (zh) 预测风机的故障的方法和设备
JP7541876B2 (ja) 航空機を制御するためのニューラルネットワークを訓練するためのシステム及び方法
CN110737732A (zh) 一种机电设备故障预警方法
JP6240050B2 (ja) バイアス推定装置、その方法およびプログラム、並びに故障診断装置、その方法およびプログラム
CN110456026B (zh) 一种土壤墒情监测方法及装置
CN112180471B (zh) 天气预报方法、装置、设备及存储介质
US12007753B2 (en) System and method for predicting industrial equipment motor behavior
TWI824198B (zh) 預測無人機的耗電量的方法及使用所述方法的無人機
CN112418498A (zh) 用于智能温室的温度预测方法及系统
CN115795920A (zh) 基于多应力耦合加速模型的产品可靠性评价方法和装置
US11772823B2 (en) Estimating fatigue damage in a structure
CN109507989A (zh) 一种无人机传感器故障诊断的方法
CN107687872A (zh) 基于动态模型更新的桥梁结构健康状态监测方法及系统
US20230074474A1 (en) Parameter adjustment apparatus, inference apparatus, parameter adjustment method, and computer-readable storage medium storing a parameter adjustment program
US20240045429A1 (en) Unmanned Flying Object Control Assistance System, and Unmanned Flying Object Control Assistance Method
CN108960406B (zh) 一种基于bfo小波神经网络的mems陀螺随机误差预测方法
JP2021188962A (ja) センサドリフト診断装置、センサドリフト診断方法およびセンサドリフト診断プログラム
CN115337966B (zh) 基于热沉技术的高低温低气压试验箱温控方法及装置
CN115716217B (zh) 主轴偏摆异常的检测方法、装置以及存储介质