一种无人机超机动飞行性能仿真训练系统及方法技术方案

本发明专利技术公开了一种无人机超机动飞行性能仿真训练系统，包括计算模块、存储模块、神经网络计算模块、机动飞行控制器、飞行仿真显示模块和多输入模块；多输入模块，用于基于X‑Plane飞行环境，采集多组特定机动动作时间序列；存储模块，用于对该序列进行存储；神经网络计算模块，用于基于深度神经网络架构对该序列进行拟合与训练，生成机动动作深度神经网络；机动飞行控制器，用于根据当前的飞行状态，并基于机动动作深度神经网络在线生成机动动作指令；飞行仿真显示模块，用于通过X‑plane飞行仿真软件实时显示无人机仿真飞行。本发明专利技术具有复杂风场条件下自适应机动仿真飞行和仿真演示、以及机动动作指令实时性和可靠性高等优点。

【技术实现步骤摘要】
一种无人机超机动飞行性能仿真训练系统及方法
本专利技术涉及无人机
，具体涉及一种无人机超机动飞行性能仿真训练系统及方法。
技术介绍
目前，无人机的主要军事用途包括侦察、靶机、空中中继、地面打击、干扰以及电子对抗等。随着技术的发展和新军事斗争的需要，无人机直接参与空中格斗也开始提上日程。而且，由于没有了飞行员的身体条件限制，无人机可以实现有人机无法实现的超高机动动作，在空中格斗中能够具有明显优势。现有无人机控制大多停留在平稳飞行阶段，只能在有限的滚动和俯仰姿态下飞行，不能发挥无人机的机动性能。随着应用范围的拓展和军事领域的竞争，机动飞行已经成为未来无人机技术发展的关键点。历史上对无人机的研究侧重于稳定飞行的实现，对无人机机动飞行的研究较少。已有的研究涉及到了各种机型的仿真飞行、实际飞行测试、控制算法实现等方面，但是对机动动作的定义、描述不够明确，自主机动飞行控制的工程实现也没有具有代表意义的解决方案。
技术实现思路
本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种复杂风场条件下自适应仿真飞行的无人机超机动飞行性能仿真训练系统及方法。为了解决上述技术问题，本专利技术采用的技术方案为：一种无人机超机动飞行性能仿真训练系统，包括计算模块、存储模块、神经网络计算模块、机动飞行控制器、飞行仿真显示模块和多输入模块；所述多输入模块，用于基于X-Plane飞行环境，采用操纵杆或遥控器采集多组特定机动动作时间序列；所述存储模块，用于对该序列进行存储；所述神经网络计算模块，用于基于深度神经网络架构对该序列进行拟合与训练，生成机动动作深度神经网络；所述机动飞行控制器，用于根据当前的飞行状态，并基于机动动作深度神经网络在线生成机动动作指令；所述飞行仿真显示模块，用于通过X-plane飞行仿真软件实时显示无人机仿真飞行。优选地，所述神经网络计算模块还包括神经网络补偿单元，用于建立三层的神经网络结构，来修正模型误差以及环境干扰；三层神经网络包括一层输入层，一层隐层以及一层输出层，并将各层神经网络输出反馈到控制量中，最终控制率设计为：其中δc为动态逆的控制量质量，为神经网络补偿结果，v为鲁棒项，通过调整神经网络参数，以实现飞行器的稳定飞行。优选地，所述神经网络计算模块采用CM1K神经网络芯片及开发系统；该网络芯片采用1024个硬件计算单元实现，通过专用的总线组成菊花链式的结构，不同硬件计算单元之间快速进行竞争学习，根据距离判定新到达输入的最近单元，并且自动网络权重的更新与单元状态更新，以实现知识的存储与调整，最终实现神经网络的训练。优选地，所述CM1K神经网络芯片的智慧层模块，作为运算平台，用于完成机动动作深度神经网络训练，以及无人机机动动作的数据采集与训练。优选地，多组特定机动动作时间序列包括飞机俯仰、滚转、偏航角；俯仰、滚转、偏航角速率、油门量、升降舵、副翼舵、方向舵偏角。优选地，所述存储模块为固态硬盘。本专利技术还公开了一种在如上所述无人机超机动飞行性能仿真训练系统中使用的训练方法，包括步骤：1)基于X-Plane飞行环境，采用操纵杆或遥控器采集多组特定机动动作时间序列，并进行存储；2)基于深度神经网络架构对该序列进行拟合与训练，生成机动动作深度神经网络；3)根据当前的飞行状态，并基于机动动作深度神经网络在线生成机动动作指令；4)通过X-plane飞行仿真软件实时显示无人机仿真飞行。优选地，在步骤2)中，利用长短期记忆网络方法，基于其独特的门控单元的设计，使长短期记忆网络的记忆模块存储和访问之前的信息，以兼顾已有的训练数据和当前的飞行状态，生成更为精准的飞行指令。本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如上所述的训练方法的步骤。本专利技术进一步公开了一种计算机设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如上所述的训练方法的步骤。与现有技术相比，本专利技术的优点在于：本专利技术的无人机超机动飞行性能仿真训练系统及方法，通过无人机仿真飞行数据采集、无人机神经网络控制器训练、自适应控制的神经网络补偿器训练，最终完成无人机复杂风场条件下自适应机动仿真飞行以及仿真演示；由于机动动作深度神经网络具有记忆功能，在验证飞行中，能够保证机动动作指令生成的实时性和可靠性。本专利技术的无人机超机动飞行性能仿真训练系统及方法，利用长短期记忆网络(LSTM)方法，基于其独特的门控单元的设计，可以使LSTM的记忆模块可以存储和访问很久以前的信息，从而兼顾已有的训练数据和当前的飞行状态，生成更为精准的飞行指令。本专利技术的无人机超机动飞行性能仿真训练系统及方法，基于神经网络补偿的自适应动态逆方法，一方面补偿由于建模不精确引起的动态逆控制误差，并可以补偿由于外界复杂风场引起的姿态扰动。本专利技术的无人机超机动飞行性能仿真训练系统及方法，采用高速的固态硬盘来存储数据，能够提高数据存储的速度。附图说明图1为本专利技术的系统在实施例的方框结构图。图2为专利技术中无人机仿真飞行数据记录界面图。图3为本专利技术中飞行数据采集结果图。具体实施方式以下结合说明书附图和具体实施例对本专利技术作进一步描述。如图1至图3所示，本实施例的无人机超机动飞行性能仿真训练系统，包括计算模块、存储模块、神经网络计算模块、机动飞行控制器、飞行仿真显示模块和多输入模块；多输入模块，用于基于X-Plane飞行环境，采用操纵杆或遥控器采集多组特定机动动作时间序列；存储模块，用于对该序列进行存储；神经网络计算模块，用于基于深度神经网络架构对该序列进行拟合与训练，生成机动动作深度神经网络；机动飞行控制器，用于根据当前的飞行状态，并基于机动动作深度神经网络在线生成机动动作指令；飞行仿真显示模块，用于通过X-plane飞行仿真软件实时显示无人机仿真飞行。本实施例中，神经网络计算模块还包括神经网络补偿单元，用于建立三层的神经网络结构，来修正模型误差以及环境干扰；三层神经网络包括一层输入层，一层隐层以及一层输出层，并将各层神经网络输出反馈到控制量中，最终控制率设计为：最终控制率设计为：其中δc为动态逆的控制量质量，为神经网络补偿结果，v为鲁棒项，通过调整神经网络参数，以实现飞行器的稳定飞行。本专利技术的无人机超机动飞行性能仿真训练系统，可以用于无人机仿真飞行数据采集、无人机神经网络控制器训练、并完成自适应控制的神经网络补偿器训练，最终完成无人机机动飞行以及仿真演示。本实施例中，由于深度神经网络指令架构以及自适应神经网络补偿器训练中对计算速度有为较高的要求。为实现在线的神经网络计算，利用CM1K神经网络芯片及开发系统。该网络芯片采用1024个硬件计算单元实现，可以通过专用的总线组成菊花链式的结构，不同单元之间能够快速进行竞争学习，根据距离判定新到达本文档来自技高网...

【技术保护点】
1.一种无人机超机动飞行性能仿真训练系统，其特征在于，包括计算模块、存储模块、神经网络计算模块、机动飞行控制器、飞行仿真显示模块和多输入模块；/n所述多输入模块，用于基于X-Plane飞行环境，采用操纵杆或遥控器采集多组特定机动动作时间序列；/n所述存储模块，用于对该序列进行存储；/n所述神经网络计算模块，用于基于深度神经网络架构对该序列进行拟合与训练，生成机动动作深度神经网络；/n所述机动飞行控制器，用于根据当前的飞行状态，并基于机动动作深度神经网络在线生成机动动作指令；/n所述飞行仿真显示模块，用于通过X-plane飞行仿真软件实时显示无人机仿真飞行。/n

【技术特征摘要】
1.一种无人机超机动飞行性能仿真训练系统，其特征在于，包括计算模块、存储模块、神经网络计算模块、机动飞行控制器、飞行仿真显示模块和多输入模块；
所述多输入模块，用于基于X-Plane飞行环境，采用操纵杆或遥控器采集多组特定机动动作时间序列；
所述存储模块，用于对该序列进行存储；
所述神经网络计算模块，用于基于深度神经网络架构对该序列进行拟合与训练，生成机动动作深度神经网络；
所述机动飞行控制器，用于根据当前的飞行状态，并基于机动动作深度神经网络在线生成机动动作指令；
所述飞行仿真显示模块，用于通过X-plane飞行仿真软件实时显示无人机仿真飞行。


2.根据权利要求1所述的无人机超机动飞行性能仿真训练系统，其特征在于，所述神经网络计算模块还包括神经网络补偿单元，用于建立三层的神经网络结构，来修正模型误差以及环境干扰；三层神经网络包括一层输入层，一层隐层以及一层输出层，并将各层神经网络输出反馈到控制量中，最终控制率设计为：其中δc为动态逆的控制量质量，为神经网络补偿结果，v为鲁棒项，通过调整神经网络参数，以实现飞行器的稳定飞行。


3.根据权利要求2所述的无人机超机动飞行性能仿真训练系统，其特征在于，所述神经网络计算模块采用CM1K神经网络芯片及开发系统；该网络芯片采用1024个硬件计算单元实现，通过专用的总线组成菊花链式的结构，不同硬件计算单元之间快速进行竞争学习，根据距离判定新到达输入的最近单元，并且自动网络权重的更新与单元状态更新，以实现知识的存储与调整，最终实现神经网络的训练。


4.根据权利要求3所述的无人机超机动飞行性能仿真训练系统，其特征在于，所述CM1K神经网络芯片的智慧层模块...

【专利技术属性】
技术研发人员：喻煌超，赵述龙，王祥科，曹粟，肖乃经，张纪阳，张人山，习业勋，吕飞，王欢，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43