基于无人机运动状态的短期航迹预测方法、装置及系统制造方法及图纸

本发明专利技术公开了一种基于无人机运动状态的短期航迹预测方法、装置及系统，所述短期航迹预测方法包括对获取到的无人机轨迹数据进行预处理，获得若干个轨迹点数据；基于所述轨迹点数据，判断无人机的运动模式，所述运动模式包括悬停状态和运动状态；当判定无人机的运动模式为运动状态时，则将所述轨迹点数据输入至轨迹预测模型，进行短期轨迹预测。本发明专利技术将无人机的运动状态看作为一个二分类问题，考虑了运动状态的变化对于轨迹预测精度的影响，实现了无人机短期预测精度的提高。了无人机短期预测精度的提高。了无人机短期预测精度的提高。

【技术实现步骤摘要】
基于无人机运动状态的短期航迹预测方法、装置及系统


[0001]本专利技术属于无人机轨迹预测
，具体涉及一种基于无人机运动状态的短期航迹预测方法、装置及系统。

技术介绍

[0002]无人机航迹预测是冲突检测的核心技术，是实现无人机自动化监管的基础。航迹预测是指通过计算预估航空器未来航迹的过程。其数据来源包括性能数据、基础数据与气象数据。航迹预测主要应用于冲突探测、短时流量管理、任务规划等领域。此前，针对航空器的四维航迹预测已有了许多的研究，航空器的四维航迹预测一般有三种模型：状态估计模型、动力学模型以及机器学习模型。在深度学习的算法中，已经有各种类型的模型应用于时间序列预测任务，其中的模型主要包括人工神经网络(ANN)、深度信念网络(BND)、受限玻尔兹曼机(RBM)、循环神经网络(RNN)、长短期记忆(LSTM)。这些算法能在一定程度上对航迹时间特性进行有效的预测，但往往忽略了无人机运动的空间特性，因此，如何充分捕捉无人机的时空特性是问题的关键所在。
[0003]无人机飞行轨迹具有连续性和时序性的特点。连续性是指无人机轨迹是连续变化的，而不是间断的。时序性是指轨迹数据是带有时间性质的，且后一个时刻的位置与前一个时刻的位置是有关的，所以无人机的轨迹数据本质上是一个时间序列数据。无人机的飞行轨迹属于四维航迹的一种，在传统的无人机真实的轨迹数据集中，存在大量符合真实运动模式的静止轨迹，用现有的预测方法处理静止轨迹的输入数据时，通常都会输出一条运动的轨迹，导致预测误差较大。因此通过对无人机两种运动状态的识别和分类，获得无人机实时的运行状态变化。此外，由于轨迹点都是由三维经纬度及高度组成，在空间范围内，许多数据之间差异非常微小，导致直接使用单个模型无法很好的对数据建模。因此，利用DBN和双向长短期记忆网络联合进行预测来提高预测精度，通过DBN网络捕获轨迹数据中的局部特征，通过双向长短期记忆网络挖掘轨迹数据中的时间依赖性。

技术实现思路

[0004]针对上述问题，本专利技术提出一种基于无人机运动状态的短期航迹预测方法、装置及系统，将无人机的运动状态看作为一个二分类问题，考虑了运动状态的变化对于轨迹预测精度的影响，实现了无人机短期预测精度的提高。
[0005]为了实现上述技术目的，达到上述技术效果，本专利技术通过以下技术方案实现：
[0006]第一方面，本专利技术提供了一种基于无人机运动状态的短期航迹预测方法，包括：
[0007]对获取到的无人机轨迹数据进行预处理，获得若干个轨迹点数据；
[0008]基于所述轨迹点数据，判断无人机的运动模式，所述运动模式包括悬停状态和运动状态；
[0009]当判定无人机的运动模式为运动状态时，则将所述轨迹点数据输入至轨迹预测模型，进行短期轨迹预测。
[0010]可选地，所述无人机的运动模式通过以下步骤判断：
[0011]计算出无人机的行为特征值属性向量l
(1*6)
，l
(1*6)
＝[x',y',z',x”,y”,z”]，其中x、y、z分别表示轨迹点的经度、纬度和高度，x',y',z'分别表示轨迹点的经度的一阶导数、纬度的一阶导数和高度的一阶导数，x”,y”,z”分别表示轨迹点的经度的二阶导数、纬度的二阶导数和高度的二阶导数；
[0012]设置无人机运动状态约束条件，所述约束条件包括：
[0013]约束1：
[0014]约束2：h≥H
min
[0015]若所述行为特征值属性向量l
(1*6)
中的一阶导数值以及二阶导数值全部为0，则表明无人机的状态为静止状态；反之，无人机处于运动状态；
[0016]当判定无人机处于静止状态后，进一步判断无人机的飞行高度h与允许高度最小值H
min
之间的关系，若满足约束2，则表明无人机的状态为悬停状态，否则无人机的状态为地面静止状态；
[0017]计算无人机掉头所需要的时间t
max
：
[0018][0019]其中，F
合
为无人机运动所需的力，m为无人机的质量，v为无人机的运行速度，r为转弯半径；
[0020]若无人机完成一次掉头所需的时间为t
s
秒，则在t
s
<t
max
秒之内无人机不存在掉头飞回原点的情况。
[0021]可选地，所述短期航迹预测方法还包括：
[0022]当判定无人机的运动模式为悬停状态时，则直接输出所述轨迹点数据。
[0023]可选地，所述短期轨迹预测包括以下步骤：
[0024]获取轨迹预测模型，所述轨迹预测模型以深度信念网络为编码器，以双向长短期记忆网络为解码器；所述深度信念网络由三层受限波尔兹曼机组成，且采用ReLU作为激活函数；
[0025]分别提取各轨迹点数据中的经度、纬度、高度数据，建立对应的无人机空间轨迹属性向量p
(1*3)
，p
(1*3)
＝[x,y,z]，其中x、y、z分别表示轨迹点的经度、纬度和高度；
[0026]将若干个无人机空间轨迹属性向量组成空间属性向量矩阵，并输入到轨迹预测模型中，进行短期轨迹预测。
[0027]可选地，所述轨迹点数据的获取方法包括：
[0028]提取无人机轨迹数据中的经度、纬度、高度数据，并将提取到的数据从Geodetic坐标系转换到ECEF坐标系，获得初始轨迹点数据；
[0029]对初始轨迹点数据进行平滑滤波；
[0030]当判定在一段时间内，初始轨迹点数据中轨迹点的数目小于预设的预测轨迹所需轨迹点数目，则认为初始轨迹点数据稀疏，对所述初始轨迹点数据进行补全处理，得到最终
轨迹点数据。
[0031]可选地，所述初始轨迹点数据通过以下步骤获得：
[0032]获取到的原始无人机轨迹数据包含P
G
＝[X,Y,Z]T
，其中，X表示Geodetic坐标系下的经度，Y表示Geodetic坐标系下的纬度，Z表示Geodetic坐标系下的高度；
[0033]将P
G
＝[X,Y,Z]T
从Geodetic坐标系转换到ECEF坐标系，获得P
E
，P
E
＝[X
E
,Y
E
,Z
E
]T
＝[(σ+Z)cos Y cos X,(σ+Z)cos Y sin X,[σ(1
‑
e2)+Z]sin Y]T
，其中，X
E
表示ECEF坐标系下的经度，Y
E
表示ECEF坐标系下的纬度，Z
E
表示ECEF坐标系下的高度；σ是基准椭球体的卯酉圆曲率半径，e是地球离心率，a是参考椭球的赤道半径。
[0034]可选地，所述对初始轨迹点数据进行去噪，包括以下步骤：
[0035]采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机运动状态的短期航迹预测方法，其特征在于，包括：对获取到的无人机轨迹数据进行预处理，获得若干个轨迹点数据；基于所述轨迹点数据，判断无人机的运动模式，所述运动模式包括悬停状态和运动状态；当判定无人机的运动模式为运动状态时，则将所述轨迹点数据输入至轨迹预测模型，进行短期轨迹预测。2.根据权利要求1所述的一种基于无人机运动状态的短期航迹预测方法，其特征在于，所述无人机的运动模式通过以下步骤判断：计算出无人机的行为特征值属性向量l
(1*6)
，l
(1*6)
＝[x',y',z',x”,y”,z”]，其中x、y、z分别表示轨迹点的经度、纬度和高度，x',y',z'分别表示轨迹点的经度的一阶导数、纬度的一阶导数和高度的一阶导数，x”,y”,z”分别表示轨迹点的经度的二阶导数、纬度的二阶导数和高度的二阶导数；获取无人机运动状态约束条件，所述约束条件包括：约束1：约束2：h≥H
min
若所述行为特征值属性向量l
(1*6)
中的一阶导数值以及二阶导数值全部为0，则表明无人机的状态为静止状态；反之，无人机处于运动状态；当判定无人机处于静止状态后，进一步判断无人机的飞行高度h与允许高度最小值H
min
之间的关系，若满足约束2，则表明无人机的状态为悬停状态，否则无人机的状态为地面静止状态；计算无人机掉头所需要的时间t
max
：其中，F
合
为无人机运动所需的力，m为无人机的质量，v为无人机的运行速度，r为转弯半径；若无人机完成一次掉头所需的时间为t
s
秒，则在t
s
<t
max
秒之内无人机不存在掉头飞回原点的情况。3.根据权利要求1或2所述的一种基于无人机运动状态的短期航迹预测方法，其特征在于，所述短期航迹预测方法还包括：当判定无人机的运动模式为悬停状态时，则直接输出所述轨迹点数据。4.根据权利要求1所述的一种基于无人机运动状态的短期航迹预测方法，其特征在于，所述短期轨迹预测包括以下步骤：获取轨迹预测模型，所述轨迹预测模型以深度信念网络为编码器，以双向长短期记忆网络为解码器；所述深度信念网络由三层受限波尔兹曼机组成，且采用ReLU作为激活函数；分别提取各轨迹点数据中的经度、纬度、高度数据，建立对应的无人机空间轨迹属性向量p
(1*3)
，p
(1*3)
＝[x,y,z]，其中x、y、z分别表示轨迹点的经度、纬度和高度；
将若干个无人机空间轨迹属性向量组成空间属性向量矩阵，并输入到轨迹预测模型中，进行短期轨迹预测。5.根据权利要求1所述的一种基于无人机运动状态的短期航迹预测方法，其特征在于，所述轨迹点数据的获取方法包括：提取无人机轨迹数据中的经度、纬度、高度数据，并将提取到的数据从Geodetic坐标系转换到ECEF坐标系，获得初始轨迹点数据；对初始轨迹点数据进行平滑滤波；当判定在一段时间内，初始轨迹点数据中轨迹点的数目小于预设的预测轨迹所需轨迹点数目，则认为初始轨迹点数据稀疏，对所述初始轨迹点数据进行补全处理，得到最终轨迹点数据。6.根据权利要求5所述的一种基于无人机运动状态的短期航迹预测方法，其特征在于，所述初始轨迹点数据通过以下步骤获得：获取到的原始无人机轨迹数据包含P
G
＝[X,Y,Z]
T
，其中，X表示Geo...

【专利技术属性】
技术研发人员：钟罡，周蒋颖，张洪海，费毓晗，刘皞，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：