基于边云协同框架的自主导航模型参数自适应优化方法技术

本发明专利技术涉及一种基于边云协同框架的自主导航模型参数自适应优化方法，包括以下步骤：步骤

【技术实现步骤摘要】
基于边云协同框架的自主导航模型参数自适应优化方法


[0001]本专利技术涉及无人机信息处理
，特别是一种基于边云协同框架的自主导航模型参数自适应优化方法
。

技术介绍

[0002]自从全球定位系统建立以来，基于
RTK
技术的无人机导航系统得到广泛应用
。RTK
作为一种实时动态载波相位差分技术，通过建立在两个观测站的载波相位技术场，在
RTK
进行测量时，由基站站通过数据链将载波观测值及基准站坐标发送给无人机，无人机同时接收到来自卫星和基准站的载波相位后，经过差分处理后实时给出误差在厘米级的定位结果
。
上述情况是在理想情况下得到厘米级定位精度，如果无人机在执行任务过程中遇到信号干扰
、
天气状况或者其他噪音的影响，这种厘米级的定位精度可能很难保证
。
而定位系统作为自主导航系统的核心，因此定位系统的误差越来越大，必将影响自主导航系统的性能
。
[0003]因此现有技术并不能满足我们的需要
。

技术实现思路

[0004]为解决上述问题，本专利技术提供一种误差越来越小
、
精度越来越高的基于边云协同框架的自主导航模型参数自适应优化方法
。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]基于边云协同框架的自主导航模型参数自适应优化方法，包括以下步骤：
[0007]步骤
S1
>，构建云侧自主导航模型；
[0008]步骤
S2
，模型参数下发：将云侧自主导航模型的参数下发至无人机中以形成边侧自主导航模型；
[0009]步骤
S3
，构建在线数据集：采集实时数据形成在线数据集；
[0010]步骤
S4
，在线数据集上传：将在线数据集上传至云侧自主导航模型中；
[0011]步骤
S5
，模型测试，云侧自主导航模型将在线数据集选择性的输入至边侧自主导航模型进行测试；
[0012]步骤
S6
，整体误差输出；
[0013]步骤
S7
，更新判断：设定误差阈值，比较误差与设定的阈值，设置步骤
S5
中在线数据集输入至云侧自主导航模型的更新频率
。
[0014]作为优选实施方式，进一步限定为：步骤
S1
中构建过程包括：
[0015]步骤
S11
，数据采集：获取历史离散数据集；
[0016]步骤
S12
，训练：对历史离散数据集进行训练得到云侧自主导航模型
。
[0017]作为优选实施方式，进一步限定为：步骤
S1
和步骤
S3
中采集的数据包括方向盘
、
控制器
、RTK
卫星定位系统
、
转角角度传感器
、
惯性导航传感器
、
视觉传感器组
、
气压计产生的数据
。
[0018]作为优选实施方式，进一步限定为：云侧自主导航模型和边侧自主导航模型分别
包括：
[0019]自身定位模型：基于虚拟基准站观测值生成的定位技术；
[0020]路径规划模型：全局规划模型和局部规划模型；
[0021]环境感知模型：障碍物识别模型
、
障碍物尺寸估计模型
、
安全避障模型
[0022]运动控制模型
。
[0023]作为优选实施方式，进一步限定为：步骤
S4
中数据集上传是采用
GNSS(
全球导航卫星系统
)
上传
。
[0024]作为优选实施方式，进一步限定为：步骤
S4
中在线数据集上传至云侧自主导航模型中后还包括对数据进行修正，数据修正包括
RTK
定位修正
。
[0025]作为优选实施方式，进一步限定为：步骤
S4
中修正过程包括：
[0026]S41
：计算虚拟基准站的观测数据：
[0027][0028]其中，为虚拟观测数据，
[0029]为物理基准站的
GNSS
观测数据，
[0030]为虚拟基准站和物理基准站的空间几何修正，
[0031]为电离层修正，
[0032]为对流层修正
。
[0033]作为优选实施方式，进一步限定为：步骤
S4
中修正过程还包括：
S42
：计算双向估计的预测值：
[0034][0035][0036][0037]其中，为当前时刻，
[0038]为当前时刻修正值，
[0039]为前一时刻修正值，
[0040]为后一时刻修正值；
S43
：结合
T
时刻的误差值，实现
T
时刻误差重构：
[0041][0042][0043][0044]S44
：高层面修正
[0045][0046][0047]其中，
H0为基准站高层面
、H
i
为实际高层面；
S45
：得出虚拟基准站的最终观测数据：
[0048][0049]作为优选实施方式，进一步限定为：步骤
S6
中整体误差输出：
[0050][0051]其中，
e
T
为
T
时刻整体误差，
[0052]X
为障碍物识别精度
、
障碍物尺寸估计精度，
[0053]W
是权
。
[0054]作为优选实施方式，进一步限定为：步骤
S7
中更新判断过程包括：
[0055]S71
，设定误差阈值
[0056]S72
，计算间隔：
[0057][0058]其中，
m
是数据更新频率间隔的自适应调整系数，
m
为0‑1的常数，
[0059]e
T
为
T
时刻整体误差，
[0060]INT
T
为
T
时刻的数据更新间隔，
[0061]INT
T+1
为下一个时刻的数据更新时间间隔，
[0062]S83
，设置更新频率：
[0063]当
T
时刻的整体误差
e
T
小于设定的误差阈值时，步骤
S5
中下一个时刻的在线数据集更新时间间隔等于当前时刻的数据更新时间间隔，否则丢弃在线数据集
。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于边云协同框架的自主导航模型参数自适应优化方法，其特征在于，包括以下步骤：步骤
S1
，构建云侧自主导航模型；步骤
S2
，模型参数下发：将云侧自主导航模型的参数下发至无人机中以形成边侧自主导航模型；步骤
S3
，构建在线数据集：采集实时数据形成在线数据集；步骤
S4
，在线数据集上传：将在线数据集上传至云侧自主导航模型中；步骤
S5
，模型测试，云侧自主导航模型将在线数据集选择性的输入至边侧自主导航模型进行测试；步骤
S6
，整体误差输出；步骤
S7
，更新判断：设定误差阈值，比较误差与设定的阈值，设置步骤
S5
中在线数据集输入至云侧自主导航模型的更新频率
。2.
根据权利要求1所述的基于边云协同框架的自主导航模型参数自适应优化方法，其特征在于：步骤
S1
中构建过程包括：步骤
S11
，数据采集：获取历史离散数据集；步骤
S12
，训练：对历史离散数据集进行训练得到云侧自主导航模型
。3.
根据权利要求2所述的基于边云协同框架的自主导航模型参数自适应优化方法，其特征在于：步骤
S1
和步骤
S3
中采集的数据包括方向盘
、
控制器
、RTK
卫星定位系统
、
转角角度传感器
、
惯性导航传感器
、
视觉传感器组
、
气压计产生的数据
。4.
根据权利要求1所述的基于边云协同框架的自主导航模型参数自适应优化方法，其特征在于：云侧自主导航模型和边侧自主导航模型分别包括：自身定位模型：基于虚拟基准站观测值生成的定位技术；路径规划模型：全局规划模型和局部规划模型；环境感知模型：障碍物识别模型
、
障碍物尺寸估计模型
、
安全避障模型运动控制模型
。5.
根据权利要求1所述的基于边云协同框架的自主导航模型参数自适应优化方法，其特征在于：步骤
S4
中数据集上传是采用
GNSS(
全球导航卫星系统
)
上传
。6.
根据权利要求1所述的基于边云协同框架的自主导航模型参数自适应优化方法，其特征在于：步骤
S4
中在线数据集上传至云侧自主导航模型中后还包括对数据进行修正，数据修正包括
RTK
定位修正

【专利技术属性】
技术研发人员：邱小剑，阮杰，胡锦文，
申请(专利权)人：江西省军民融合研究院，
类型：发明
国别省市：