无人机轨迹的高斯变分推断精确学习方法技术

本发明专利技术公开的无人机轨迹的高斯变分推断精确学习方法，包括如下步骤：步骤S1：根据无人机在实际飞行中的空气动力学原理以及运动学原理构建无人机的数学模型；步骤S2：基于高斯变分推断，通过KL散度将真实贝叶斯后验和近似后验联系起来，将状态的估计问题转化为后验的近似问题，再通过定义损失函数，将KL散度的计算转换为对损失函数的优化问题；步骤S3：采用牛顿法更新损失函数以及采用自然梯度下降法对均值和协方差逆矩阵进行迭代优化，使损失函数V(q)降到最低以达到有效近似后验的目的。实现了对非线性系统进行批量状态估计。引入高斯变分推断况下的状态估计，相比较最大后验估计方法具有更高的精确性，能够更准确的估计无人机的飞行轨迹。机的飞行轨迹。机的飞行轨迹。

【技术实现步骤摘要】
无人机轨迹的高斯变分推断精确学习方法


[0001]本专利技术涉及非线性、批量化的状态估计领域，主要涉及无人机轨迹精确预测的高斯变分推断状态估计方法。

技术介绍

[0002]状态估计是无人机系统导航的核心部分。状态估计的目标是通过已知的能观测到的状态估计出系统中无法观测到的状态。当无人机系统模型参数较复杂、系统参数随着传感器变化而变化，且状态具有非线性、批量化的特点时，传统的状态估计方法存在误差大，算法迭代次数多等缺陷。
[0003]状态估计可以看作是对非线性系统的识别，故可以使用机器学习技术来进行处理。机器学习方法的优点在于不用对估计对象进行精确完整地建模，不考虑对象的运动细节，单纯从数据的角度出发，在估计对象模型以及运动简单时，这种方法能够精确地估计出运动对象的状态，但是当运动对象模型以及运动复杂时，无法进行长期稳定有效的状态估计。
[0004]另一种方法是对运动对象进行概率状态估计，运用卡尔曼滤波、贝叶斯滤波、sigmapoint滤波、粒子滤波、高斯过程回归、最大后验估计(maximum aposteriori,MAP)和高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.无人机轨迹的高斯变分推断精确学习方法，其特征在于，包括如下步骤：步骤S1：根据无人机在实际飞行中的空气动力学原理以及运动学原理构建无人机的数学模型；步骤S2：基于高斯变分推断，通过KL散度将真实贝叶斯后验和近似后验联系起来，将状态的估计问题转化为后验的近似问题，再通过定义损失函数，将KL散度的计算转换为对损失函数的优化问题；步骤S3：采用牛顿法更新损失函数以及采用自然梯度下降法对均值和协方差逆矩阵进行迭代优化，使损失函数V(q)降到最低以达到有效近似后验的目的。2.根据权利要求1所述无人机轨迹的高斯变分推断精确学习方法，其特征在于，步骤1中构建的无人机数学模型如下：在惯性坐标系Oxy中，假设无人机位于空间内任意一点，坐标为ξ＝[x，y，z]，欧拉角为其动力学方程式为：式中，v表示无人机速度；n
x
，n
z
分别表示无人机切向过载以及法向过载；g表示重力加速度，取9.8m/s2。3.根据权利要求1所述无人机轨迹的高斯变分推断精确学习方法，其特征在于，步骤2中基于高斯变分推断，通过KL散度将真实贝叶斯后验和近似后验联系起来，得到近似后验和真实贝叶斯后验的KL散度展开式如下：其中，是高斯分布的信息熵，ln p(z)是常数；将KL散度转化为损失函数，定义如下：其中，φ(x)＝
‑
ln p(x|z)；V(q)作为损失函数，后续步骤将对损失函数V(q)进行优化，求得损失函数的最小值。4.根据权利要求1所述无人机轨迹的高斯变分推断精确学习方法，其特征在于，步骤3具体包括如下步骤：
步骤S301：将无人机的状态/数据的联合似然函数带到损失函数V(q)中无人机的状态/数据的联合似然函数如下：其中，K表示子集中数据数量，k表示第k组数据，const表示常数值将此公式替换到损失函数V(q)中的φ(x)；步骤S302：利用牛顿法对损失函数V(q)进行更新；对损失函数V(q)关于高斯参数μ和∑
‑1的导数如下：的导数如下：损失函数V(q)的二阶导如下：比较后两式可得V(q)的泰勒级数展开式如下：其中：δμ＝μ
(i+1)

【专利技术属性】
技术研发人员：汪恒宇，解晖，安星，刘久富，刘向武，肖志慧，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：