【技术实现步骤摘要】
一种无人机飞行状态参数预测方法及系统
[0001]本专利技术属于无人机
,具体涉及一种无人机飞行状态参数预测方法及系统。
技术介绍
[0002]当前,无人机已经被广泛应用在许多行业,如航拍、测绘、巡检、空中巡逻等。不同行业需要无人机完成不同任务,但对无人机最根本的要求是无人机可以被精准的控制来完成这些任务。要对无人机进行精准控制,无人机的控制器需要得到实时、精准的无人机状态参数,如无人机的速度、加速度、姿态角、角速度、角加速度等。
[0003]传统的估计和预测飞行状态参数的方法是基于无人机动力学模型完成的。动力学模型是在一定的假设和简化条件下,基于牛顿第二定律和欧拉方程来计算无人机的加速度信息和角加速度信息,然后通过积分得到其它飞行状态参数信息,如速度,角速度和姿态角等。动力学建模方法对无人机的实际飞行做了一些假设和简化,一般忽略了无人机飞行中的非定常参数和一些不确定性状态,如空气动力学特性,所以通过无人机动力学模型得到的加速度和角加速度信息是不够精确的,存在一定的误差。其它飞行状态参数通过对加速度和角加速度积分计算得到,积分运算会把这种误差进行累积,所以通过动力学模型得到无人机飞行状态参数是不够精确的。
[0004]为了提高飞行状态参数估计的精度,现有使用动力学模型和卷积神经网络的联合模型,其中动力学模型预测飞行状态中确定性部分,卷积神经网络预测飞行状态中不确定性部分;这种方法较传统的单纯动力学建模方法,在预测结果的精度上有很大的提升。但是,由于在无人机飞行过程中,无人机附近的流场和无人机的状 ...
【技术保护点】
【技术特征摘要】
1.一种无人机飞行状态参数预测方法,其特征在于,包括以下步骤:S1、搭建改进的Transformer神经网络模型;S2、获取无人机典型飞行状态的飞行状态数据;S3、对步骤S2获取的无人机飞行状态数据进行预处理;S4、利用步骤S3预处理后的数据生成无人机飞行状态数据集,然后将无人机飞行状态数据集划分为训练集、验证集和测试集;S5、使用步骤S4得到的训练集对步骤S1得到的Transformer神经网络模型进行训练,利用步骤S4得到的验证集得到Transformer神经网络模型的参数,将步骤S4得到的测试集中第t,t
‑
1,
…
,t
‑
H
‑
1共H个时间序列的数据输入训练好的Transformer神经网络模型,预测得到t+1时刻的飞行状态参数。2.根据权利要求1所述的无人机飞行状态参数预测方法,其特征在于,步骤S1中,Transformer神经网络模型包括输入、编码器、解码器和全连接网络层,将时间序列数据经过线性映射层,再加上时间戳编码作为编码器和解码器的输入,编码器和解码器均重复N次堆叠,编码器的输出作为解码器中互相关注意力机制层的输入,解码器的输出经过全连接网络层后,输出预测数据。3.根据权利要求2所述的无人机飞行状态参数预测方法,其特征在于,编码器和解码器的输入具体为:将输入的H
×
m维时间序列数据映射到H
×
d维,H是时间序列长度,m和d是飞行状态参数的维度,d≥m。4.根据权利要求2所述的无人机飞行状态参数预测方法,其特征在于,时间戳编码具体为:P(k,2i)=sin(k*e
‑
2i*ln100/d
)P(k,2i+1)=cos(k*e
‑
(2i+1)*ln100/d
)其中,P(k,2i)为k时刻的飞行状态数据偶数位维度的时间编码,P(k,2i+1)为k时刻的飞行状态数据奇数位维度的时间编码,i表示第i维数据,经过线性映射层之后数据共d维。5.根据权利要求1所述的无人机飞行状态参数预测方法,其特征在于,步骤S2中,无人机典型飞行状态包括爬升、巡航、盘旋和俯冲,飞行状态参数包括无人机的时间戳、控制信号、速度、加速度和角速度数据。6.根据权利要求1所述的无人机飞行状态参数预测方法,其特征在于,步骤S3具体为:S301、采用滤波处理抑制步骤S2获取的无人机飞行状态数据中的噪声;S302、对步骤S301得到的数据进行...
【专利技术属性】
技术研发人员:刘静,张海浪,邓可立,苏立玉,胡峪,
申请(专利权)人:西安交通大学,
类型:发明
国别省市:
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。