【技术实现步骤摘要】
一种基于LSTM神经网络的无人机飞行轨迹预测方法
本专利技术涉及四旋翼无人机的
，尤其涉及一种基于LSTM神经网络的无人机飞行轨迹预测方法。
技术介绍
近年来，无人机(UnmannedAerialVehicle,UAV)的发展得到了国内外的广泛关注，不仅在军事领域有大量的应用，在民用领域也有大量的研究。在可以预见的未来，无人机将不断改变电力巡检、安保巡逻、航拍摄影、快递运输等行业，甚至是取代传统的烟花表演。这其中无人机在飞行的过程中由于天气和传感器精度的影响，会一定程度上的偏移预定的航线，不仅增加了无人机原本不多的电池能耗，同时还加大了无人机飞行过程中的安全隐患。因此，对于无人机飞行轨迹的跟踪预测是减少无人机安全隐患所必须要解决的问题。目前多数无人机飞行过程中主要依靠摄像头来进行避障，但是在外界环境发生剧烈变化的时候，例如突然的强光情况、大风天气的情况，无人机无法做出及时的反应，便会很大概率上发生碰撞。除此之外，无人机自身传感器也可能会存在误差，实际情况中需要结合多个传感器的数据，相互补充，进而避免发生事故。这...
【技术保护点】
1.一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，包括以下步骤：/nS1、选取长短记忆神经网络作为无人机飞行轨迹的预测模型并通过仿真数据对其进行训练，得到通过仿真数据训练过的长短记忆神经网络；/nS2、实时获取并存储每个无人机当前时刻的基础飞行数据；/nS3、对实时获取的无人机基础飞行数据进行差分标准化预处理，作为历史数据；/nS4、将历史数据进行分段，利用分段后的历史数据对通过仿真数据训练后的长短记忆神经网络进行实时再次训练，调整长短记忆神经网络的参数，得到再次训练后的长短记忆神经网络；/nS5、继续对无人机的基础飞行数据进行收集、差分标准化和分段处理，然...
【技术特征摘要】
1.一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，包括以下步骤：
S1、选取长短记忆神经网络作为无人机飞行轨迹的预测模型并通过仿真数据对其进行训练，得到通过仿真数据训练过的长短记忆神经网络；
S2、实时获取并存储每个无人机当前时刻的基础飞行数据；
S3、对实时获取的无人机基础飞行数据进行差分标准化预处理，作为历史数据；
S4、将历史数据进行分段，利用分段后的历史数据对通过仿真数据训练后的长短记忆神经网络进行实时再次训练，调整长短记忆神经网络的参数，得到再次训练后的长短记忆神经网络；
S5、继续对无人机的基础飞行数据进行收集、差分标准化和分段处理，然后通过再次训练后的长短记忆神经网络进行预测，输出预测结果，得到未来一段时间内的无人机飞行轨迹；
S6、将步骤S5中输出的预测结果作为扩展卡尔曼滤波算法状态方程的观测量，结合扩展卡尔曼滤波的状态更新方程，最后将扩展卡尔曼滤波算法的预测结果作为对于无人机未来一段时间状态的最终预测结果；
S7、用户根据步骤S6中得到的最终预测结果选择是否修正无人机的飞行路线，然后返回步骤S5。
2.根据权利要求1所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，步骤S1中，通过机器人操作系统ROS和仿真软件Gazebo，仿真单个无人机，并收集仿真数据，仿真数据包括无人机的基础飞行数据；
对仿真数据，进行差分标准化和分段处理，然后使用仿真数据对长短记忆神经网络进行训练，得到通过仿真数据训练过的长短记忆神经网络。
3.根据权利要求2所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，步骤S2中，通过传感器收集无人机的基础飞行数据，基础飞行数据包括里程计、陀螺仪、磁强计、加速度计和GPS的数据信息，以及无人机旋翼的动力值；其中，无人机旋翼的动力值为当下时刻无人机g个旋翼的动量数据，包括g维数据，基础飞行数据共包括A维数据。
4.根据权利要求3所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，仿真数据、步骤S2中收集的无人机的基础飞行数据和步骤S5中继续收集的无人机的基础飞行数据均包括A维数据。
5.根据权利要求3所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，对于仿真数据、步骤S2中收集的无人机的基础飞行数据和步骤S5中继续收集的无人机的基础飞行数据中的A维基础飞行数据进行差分标准化预处理，具体如下：
T＝[t1-t0,t2-t1,t3-t2,…,tn-tn-1]；n∈N(1)
式中，T表示对基础飞行数据差分预处...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。