飞行器停机状态控制方法、装置及装置使用方法制造方法及图纸

本发明专利技术公开了飞行器停机状态控制方法、装置及装置使用方法，该方法包括：拍摄当前降落的目标飞行器在停机平台上的现场图像，通过预先建立并训练的深度学习模型对所述现场图像提取特征得到目标特征图，并根据所述目标特征图对所述目标飞行器的停机位置进行预测，得到停机位置结果；获取所述目标飞行器的空间四元数，并根据所述空间四元数对所述目标飞行器的水平姿态进行识别，得到停机姿态结果；根据所述停机位置结果和所述停机姿态结果得到所述目标飞行器的停机状态。本发明专利技术具有降落安全可靠、预测精确高效的技术特点。

【技术实现步骤摘要】
飞行器停机状态控制方法、装置及装置使用方法
本专利技术属于飞行器降落
，尤其涉及飞行器停机状态控制方法、装置及装置使用方法。
技术介绍
随着飞行器
的不断发展，飞行器朝着全自动化的方向不断深入，在全自动化过程中，不仅需要实现飞行器的全自动化飞行，同时还需要飞行器实现全自动的安全降落。飞行器在采用全自动降落技术的时候，当前的方式可能会因为环境问题导致在降落过程中出现预判和计算误差，即飞行器可能无法准确的停留在预期的位置上，这样在下一次启动之前还需要人为将飞行器调整至合适的位置，如有不慎可能会在起飞时导致螺旋桨和停机平台发生碰撞摩擦，造成不必要的损毁。另外，由于飞行器采用了接触充电的模式，如果无法降落在合适位置，将会导致无法充电而造成故障。
技术实现思路
本专利技术提供了飞行器停机状态控制方法、装置及装置使用方法，具有降落安全可靠、预测精确高效的技术特点。为解决上述问题，本专利技术的技术方案为：一种飞行器停机状态控制方法，包括以下步骤：拍摄当前降落的目标飞行器在停机平台上的现场图像，通本文档来自技高网...

【技术保护点】
1.一种飞行器停机状态控制方法，其特征在于，包括以下步骤：/n拍摄当前降落的目标飞行器在停机平台上的现场图像，通过预先建立并训练的深度学习模型对所述现场图像提取特征得到目标特征图，并根据所述目标特征图对所述目标飞行器的停机位置进行预测，得到停机位置结果；/n获取所述目标飞行器的空间四元数，并根据所述空间四元数对所述目标飞行器的水平姿态进行识别，得到停机姿态结果；/n根据所述停机位置结果和所述停机姿态结果得到所述目标飞行器的停机状态。/n

【技术特征摘要】
1.一种飞行器停机状态控制方法，其特征在于，包括以下步骤：
拍摄当前降落的目标飞行器在停机平台上的现场图像，通过预先建立并训练的深度学习模型对所述现场图像提取特征得到目标特征图，并根据所述目标特征图对所述目标飞行器的停机位置进行预测，得到停机位置结果；
获取所述目标飞行器的空间四元数，并根据所述空间四元数对所述目标飞行器的水平姿态进行识别，得到停机姿态结果；
根据所述停机位置结果和所述停机姿态结果得到所述目标飞行器的停机状态。


2.根据权利要求1所述的飞行器停机状态控制方法，其特征在于，所述根据所述停机位置结果和所述停机姿态结果得到所述目标飞行器的停机状态之后，还包括：
根据所述停机状态对所述目标飞行器进行停机管理：
若停机位置在停机平台的停机范围内且水平姿态为可起飞状态，则反馈安全信号；
若停机位置不在停机平台的停机规定范围内且水平姿态为可起飞状态，则对所述目标飞行器执行起飞再降落，并根据重新获取的所述停机位置结果和所述停机姿态结果得到新的所述停机状态并进行所述停机管理；
若所述水平姿态为不可起飞状态，则反馈故障信号。


3.根据权利要求1所述的飞行器停机状态控制方法，其特征在于，所述深度学习模型为基于目标检测模型建立并通过预先收集的图像训练集训练得到的模型，其中，所述图像训练集为通过视觉设备收集飞行器在停机平台上各个拍摄角度和不同停泊位置的停机图像，并对所述停机图像状态标注和预处理获取的训练集。


4.根据权利要求3所述的飞行器停机状态控制方法，其特征在于，所述目标检测模型为R-CNN模型或者FastR-CNN模型或者FasterR-CNN模型或者FPN模型或者YOLO模型或者SSD模型或者RetinaNet模型。


5.根据权利要求3所述的飞行器停机状态控制方法，其特征在于，所述通过视觉设备收集飞行器在停机平台上各个拍摄角度和不同停泊位置的停机图像，并对所述停机图像状态标注和预处理进一步包括以下步骤：
通过视觉设备收集飞行器在停机平台上各个拍摄角度和不同停泊位置的所述停机图像；
对所述停机图像进行数据增广：调整所述停机图像的亮度、对比度、模糊程度，以扩大所述停机图像的适用范围；对每张所述停机图像进行复制并按比例分别调整每张所述停机图像的分辨率，获得数据扩增的图像数据集；
对所述图像数据集进行标记标签，得到标签文件，其中，所述标签记录有所述停机图像的中心位置坐标、宽度、高度、空间四元数；
由所述图像数据集和所述标签文件组成所述图像训练集。


6.根据权利要求5所述的飞行器停机状态控制方法，其特征在于，所述图像训练集包括第一训练集、第二训练集和第三训练集，所述第一训练集为所述停机位置和所述水平姿态均正常的停机图像，所述第二训练集为所述停机位置不正常且所述水平姿态正常的停机图像，所述第三训练集为所述水平姿态不正常的停机图像。


7.根据权利要求5所述的飞行器停机状态控制方法，其特征在于，所述图像训练集包括根据明暗变化、尺寸变化、样式变化划分的实训集、测试集和验证集，所述实训集、所述测试集、所述验证集分别用于所述深度学习模型的训练、测试、验证。


8.根据权利要求7所述的飞行器停机状态控制方法，其特征在于，所述通过图像训练集训练得到所述深度学习模型进一步包括：
将所述实训集经过所述目标检测模型的特征提取网络进行预训练，并将完成所述预训练所获得的网络参数迁移到所述特征提取网络中进行初始化，得到迁移模型；
将训练得到所述迁移模型进行所述测试集的测试和所述验证集的验证；
根据测试和验证反馈得到的状态、边框位置和类别概率的实际情况，对所述迁移模型进行若干次训练参数调整，得到匹配效果最高的所述深度学习模型。


9.根据权利要求3所述的飞行器停机状态控制方法，其特征在于，所述通过预先建立并训练的深度学习模型对所述现场图像提取特征得到目标特征图，并根据所述目标特征图对所述目标飞行器的停机位置进行预测，得到停机位置结果，进一步包括：
将所述现场图像预处理之后输入已经完成训练的所述深度学习模型，采用所述目标检测模型的特征提取网络对所述现场图像进行提取特征：通过对所述现场图像进行卷积、下采样将卷积的通道数翻倍，并进行1×1和3×3的卷积和交替操作和平均池化，得到对应的所述目标特征图；
将整幅所述目标特征图分成...

【专利技术属性】
技术研发人员：肖素枝，钱茂冬，王海滨，
申请(专利权)人：星逻人工智能技术上海有限公司，
类型：发明
国别省市：上海;31