一种无人机飞行状态参数预测方法及系统技术方案

本发明专利技术公开了一种无人机飞行状态参数预测方法及系统，搭建改进的Transformer神经网络模型；获取无人机典型飞行状态的飞行状态数据；对无人机飞行状态数据进行预处理；利用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；使用训练集对Transformer神经网络模型进行训练，利用验证集得到Transformer神经网络模型的参数，将测试集中第t,t

【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态是随时间变化的，历史时刻的飞行状态会影响当前的飞行状态，而传统的动力学模型和这种动力学
‑
卷积神经网络联合模型，没有充分考虑这种时间变化特性，没能充分利用无人机的历史信息来预测当前飞行状态参数。
[0005]为了充分利用无人机历史信息来预测当前飞行状态参数据，LSTM方法被单独使用或联合传统的动力学建模一起使用来估计无人机的飞行状态参数，但是由于LSTM方法存在信息瓶颈，输入过长时间片段的飞行状态数据时，前面的信息可能会丢失，从而导致这种方法只能利用较短时间片段的飞行状态数据，这会影响预测的精度。同时，由于使用深层LSTM网络，会存在梯度消失或爆照，网络的收敛性差，且计算复杂，并行能力差，计算耗时较长，很难做到实时预测。
[0006]无人机飞行状态参数的精准预测是无人机精准控制的基础，进而保证了无人机安全可靠飞行，完成在更多的复杂的场景下的任务，所以实时高精度的预测无人机飞行状态参数对无人机而言至关重要。

技术实现思路

[0007]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种无人机飞
行状态参数预测方法及系统，用于解决无人机飞行状态参数预测不够精确和实时性差，进而影响到无人机的控制精度和控制频率的技术问题。
[0008]本专利技术采用以下技术方案：
[0009]一种无人机飞行状态参数预测方法，包括以下步骤：
[0010]S1、搭建改进的Transformer神经网络模型；
[0011]S2、获取无人机典型飞行状态的飞行状态数据；
[0012]S3、对步骤S2获取的无人机飞行状态数据进行预处理；
[0013]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；
[0014]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。
[0015]具体的，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。
[0016]进一步的，编码器和解码器的输入具体为：
[0017]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。
[0018]进一步的，时间戳编码具体为：
[0019]P(k,2i)＝sin(k*e
‑
2i*ln100/d
)
[0020]P(k,2i+1)＝cos(k*e
‑
(2i+1)*ln100/d
)
[0021]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。
[0022]具体的，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。
[0023]具体的，步骤S3具体为：
[0024]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；
[0025]S302、对步骤S301得到的数据进行重采样，对齐不同传感器数据的时间戳，生成时间序列数[T1,T2,
…
,T
N
]共N个数据。
[0026]进一步的，步骤S302中，k时刻的飞行状态数据T
k
为：
[0027][0028]其中，[τ
1k
,τ
2k
,τ
3k
,τ
4k
]分别表示k时刻滚转、俯仰、油门和偏航通道的控制输入信号，[v
xk
,v
yk
,v
zk
]表示k时刻不同方向的速度分量，表示k时刻不同方向的加速度分量，[ω
xk
,ω
yk
,ω
zk
]表示k时刻不同方向的角速度分量，表示k时刻
不同方向的角加速度分量，表示k时刻姿态角。
[0029]具体的，步骤S4中，将步骤S3得到的N个时间序列数据，进行时间间隔L，长度H的重叠采样，得到长度为M的数据集D，然后划分，训练集占总数据的60％，验证集占总数据的20％，测试集占总数据的20％。
[0030]具体的，步骤S5中，使用Adma优化算法最小化损失函数LOSS对Transformer神经网络模型进行训练，损失函数LOSS具体为：
[0031][0032]其中，y
k
为k时刻的真实值，为k时刻的预测值，n为训练集样本个数。
[0033]第二方面，本专利技术实本文档来自技高网...

【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：