一种用于无人机的飞行异物实时剔除方法技术

本发明专利技术公开了一种用于无人机的飞行异物实时剔除方法，属于无人机应用技术领域。本发明专利技术的方法，包括：读取无人机分布式测量系统采集的飞行轨迹位置；根据所述归一化权值对飞行轨迹进行重新采样；获取下一步预测运动信息；计算轨迹状态量及协方差矩阵；根据所述轨迹状态量及协方差矩阵确定运动信息再次进行无轨迹变换后的点坐标；根据所述点坐标获取飞行轨迹的预测值；根据所述预测值计算飞行轨迹状态的更新值以及协方差更新值；根据所述飞行轨迹状态的更新值以及协方差更新值对飞行轨迹中的飞行异物进行剔除并还原飞行轨迹。本发明专利技术可用于无人机分布式测量系统中，对户外环境下各种飞行异物进行识别剔除。种飞行异物进行识别剔除。种飞行异物进行识别剔除。

【技术实现步骤摘要】
一种用于无人机的飞行异物实时剔除方法


[0001]本专利技术涉及无人机应用
，并且更具体地，涉及一种用于无人机的飞行异物实时剔除方法。

技术介绍

[0002]无人机技术具有防雨雪、机动灵活、操作简单、实时性强、等优点，可在崇山峻林和深山老林、江河湖泊之间实现巡线作业，有效提高输电维护和检修的速度。然而高压线、特高压线等强电设备周边存在强大的交变电磁场，对电子设备干扰很大，无人机作为精密的电子设备，极容易收到影响。为保障使用人员及设备安全性，需开展针对性设计与测试。无人机分布式测量系统，在户外模拟真实巡线环境，还原无人机的轨迹、速度、姿态等关键动态指标，对于强电磁环境下的无人机性能测试起到极其重要的作用。然而在户外场景下，该系统部署区域为一般自然环境，区域内不可避免存在飞鸟、昆虫、云等移动目标。这些移动目标作为飞行异物，对无人机分布式测量系统产生影响，生产错误的轨迹、速度、姿态数据。
[0003]目前，针对这些飞行异物的通用处理技术还相对滞后。具体体现为以下方面：1、大部分飞行异物识别算法仅针对特定类别目标(如云)，缺乏通用的识别算法；2、绝大部分识别算法，需要拍摄到清晰、大尺寸的目标，当目标较远形态特征不明显时难以识别(如YOLO算法)；3、部分算法识别精度较高，但是处理速度慢，难以满足实时性要求(如Cascade R
‑
CNN)。
[0004]因此，亟需专利技术一种用于无人机分布式测量系统的飞行异物实时剔除方法，提高无人机在强电磁环境下的检测能力和可靠性。
专利技术内容
[0005]针对上述问题，本专利技术提出了一种用于无人机的飞行异物实时剔除方法，包括：
[0006]读取无人机分布式测量系统采集的飞行轨迹位置；
[0007]计算飞行轨迹的重要性的权值，并对重要性的权值进行归一化处理以确定归一化权值，根据所述归一化权值对飞行轨迹进行重新采样；
[0008]计算重新采样的飞行轨迹的运动信息，并根据当前运动信息进行下一步预测，以获取下一步预测运动信息；
[0009]根据下一步预测运动信息，计算轨迹状态量及协方差矩阵；
[0010]根据所述轨迹状态量及协方差矩阵确定运动信息再次进行无轨迹变换后的点坐标；
[0011]根据所述点坐标获取飞行轨迹的预测值；
[0012]根据所述预测值计算飞行轨迹状态的更新值以及协方差更新值；
[0013]根据所述飞行轨迹状态的更新值以及协方差更新值对飞行轨迹中的飞行异物进行剔除并还原飞行轨迹。
[0014]可选的，飞行轨迹的重要性的权值的计算公式如下：
[0015][0016]其中，W为重要性权值；是粒子的概率密度函数；为粒子采样结果；k为迭代次数；i为采集到的轨迹点；x为量测状态；z为该粒子的估计状态。
[0017]可选的，确定归一化权值的计算公式如下：
[0018][0019]其中，为归一化结果；W为重要性权值；k为迭代次数；i为采集到的轨迹点；N为总点数。
[0020]可选的，对飞行轨迹进行重新采样的计算公式如下：
[0021][0022]其中，p为后验状态；k为迭代次数；i为采集到的轨迹点；N为点数；σ为狄拉克函数；表示蒙特卡洛采样。
[0023]可选的，计算重新采样的飞行轨迹的运动信息的计算公式如下：
[0024][0025]其中，X为运动状态；i为目标；k为时刻；P为权重信息状态，n总点数，γ为缩放比。
[0026]可选的，获取下一步预测运动信息的计算公式如下：
[0027]X
(i)
(k+1|k)＝f[k,X
(i)
(k|k)][0028]其中，X为预测结果；f属于无迹变换；i为目标；k为时刻。
[0029]可选的，轨迹状态量及协方差矩阵的计算公式如下：
[0030][0031][0032]其中，为轨迹状态量；P为协方差矩阵；ω为每个点对应权重；i为目标；k为时刻。
[0033]可选的，点坐标的计算公式如下：
[0034][0035]其中，为轨迹状态量；P为协方差矩阵；i为目标；k为时刻；n总点数，γ为缩放比。
[0036]可选的，计算飞行轨迹状态的更新值以及协方差更新值，计算公式如下：
[0037][0038]其中，为轨迹状态量；i为目标；k为时刻；Z系统预测值；K为卡尔曼增益矩阵。
[0039]可选的，计算飞行轨迹状态的协方差更新值的计算公式如下：
[0040]P(k+1)＝P(k+1|k)
‑
K(k+1)P
k
K
T
(k+1)
[0041]其中，P为协方差矩阵；i为目标；k为时刻；K为卡尔曼增益矩阵。
[0042]本专利技术可用于无人机分布式测量系统中，对户外环境下各种飞行异物进行识别剔除。
附图说明
[0043]图1为本专利技术方法的流程图；
[0044]图2为本专利技术方法实施例的流程图。
具体实施方式
[0045]现在参考附图介绍本专利技术的示例性实施方式，然而，本专利技术可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本专利技术，并且向所属
的技术人员充分传达本专利技术的范围。对于表示在附图中的示例性实施方式中的术语并不是对本专利技术的限定。在附图中，相同的单元/元件使用相同的附图标记。
[0046]除非另有说明，此处使用的术语(包括科技术语)对所属
的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
[0047]本专利技术提出了一种用于无人机的飞行异物实时剔除方法，如图1所示，包括：
[0048]读取无人机分布式测量系统采集的飞行轨迹位置；
[0049]计算飞行轨迹的重要性的权值，并对重要性的权值进行归一化处理以确定归一化权值，根据所述归一化权值对飞行轨迹进行重新采样；
[0050]计算重新采样的飞行轨迹的运动信息，并根据当前运动信息进行下一步预测，以获取下一步预测运动信息；
[0051]根据下一步预测运动信息，计算轨迹状态量及协方差矩阵；
[0052]根据所述轨迹状态量及协方差矩阵确定运动信息再次进行无轨迹变换后的点坐标；
[0053]根据所述点坐标获取飞行轨迹的预测值；
[0054]根据所述预测值计算飞行轨迹状态的更新值以及协方差更新值；
[0055]根据所述飞行轨迹状态的更新值以及协方差更新值对飞行轨迹中的飞行异物进行剔除并还原飞行轨迹。
[0056]下面结合实施例对本专利技术进行进一步的说明：
[0057]实施例的操作步骤如图2所示，包括：
[0058]步骤1.1读取数据中每次采集到的飞行轨迹位置；
[0059]步骤1.2设置单次轨迹统计数量为11；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于无人机的飞行异物实时剔除方法，所述方法包括：读取无人机分布式测量系统采集的飞行轨迹位置；计算飞行轨迹的重要性的权值，并对重要性的权值进行归一化处理以确定归一化权值，根据所述归一化权值对飞行轨迹进行重新采样；计算重新采样的飞行轨迹的运动信息，并根据当前运动信息进行下一步预测，以获取下一步预测运动信息；根据下一步预测运动信息，计算轨迹状态量及协方差矩阵；根据所述轨迹状态量及协方差矩阵确定运动信息再次进行无轨迹变换后的点坐标；根据所述点坐标获取飞行轨迹的预测值；根据所述预测值计算飞行轨迹状态的更新值以及协方差更新值；根据所述飞行轨迹状态的更新值以及协方差更新值对飞行轨迹中的飞行异物进行剔除并还原飞行轨迹。2.根据权利要求1所述的方法，所述飞行轨迹的重要性的权值的计算公式如下：其中，W为重要性权值；是粒子的概率密度函数；为粒子采样结果；k为迭代次数；i为采集到的轨迹点；x为量测状态；z为该粒子的估计状态。3.根据权利要求1所述的方法，所述确定归一化权值的计算公式如下：其中，为归一化结果；W为重要性权值；k为迭代次数；i为采集到的轨迹点；N为总点数。4.根据权利要求1所述的方法，所述对飞行轨迹进行重新采样的计算公式如下：其中，p为后验状态；k为迭代次数；i为采集到的轨迹点；N为点数；σ为狄拉克函数；表示蒙特卡洛采样。5.根据权利...

【专利技术属性】
技术研发人员：刘壮，邵瑰玮，付晶，蔡焕青，文志科，谈家英，胡霁，陈怡，曾云飞，周立玮，张波，杨宁，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：