【技术实现步骤摘要】
本专利技术属于无人机控制，尤其涉及一种基于深度学习的无人机控制方法及系统。
技术介绍
1、无人驾驶飞机简称“无人机”，英文缩写为“uav”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作。
2、无人机在需要执行任务时，需要从静止状态转变到飞行工作状态必须经历起飞阶段，稳定的起飞对无人机的性能有着举足轻重的作用，而无人机是在各种天气中执行任务的，包括雨雪天气，各级风力的天气，在正常的无风、无雨雪的天气中，无人机容易实现稳定起飞，但是在雨雪天气以及存在各级风力的恶劣天气中，将不易实现平稳起飞，在起飞完成后，也不易保持稳定飞行。
3、因此，如何使无人机在起飞阶段以及飞行阶段中即使在各种恶劣的天气中，仍然能够平稳起飞以及稳定飞行，是目前亟需解决的技术问题。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的无人机控制方法及系统，用以解决无人机在雨雪天气以及存在各级风力的恶劣天气中，将不易实现平稳起飞，在起飞完成后，也不易保持稳定飞行的技术问题。
2、为解决上述技术问题，本专利技术采用的技术方案如下：
3、第一方面，提供一种基于深度学习的无人机控制方法，包括以下步骤：
4、s1：创建天气参数数据集，并根据天气参数数据集创建无人机控制参数数据集；
5、s2：创建无人机控制的网络模型；
6、s3：通过天气参数数据集和无人机控制参数数据集对无人机控制的网
7、s4：对无人机控制的神经网络模型的适应性进行评价，判断该神经网络模型是否满足要求，若是则执行步骤s5，若否，重新执行步骤s2和s3；
8、s5：实时采集无人机飞行环境的天气数据，并根据实时天气数据利用无人机控制的神经网络模型对无人机起飞和飞行过程进行控制；
9、s6：采集控制过程中的无人机的起飞以及飞行的实时数据，对无人机起飞以及飞行过程的控制参数进行实时调节。
10、优选的，所述天气参数数据集包括各种天气数据，涉及雨雪天气中的单位时间雨雪量、一定高度的雨雪倾下角度、刮风天气中的风力大小以及风力角度。
11、优选的，步骤s2中的无人机控制的网络模型为卷积神经网络模型。
12、优选的，所述卷积神经网络模型的架构使用两组双卷积层，其中第二组双卷积层为第一组双卷积层的最大池化操作，并且(3×3 )(3×3)步长为 1 的卷积滤波器和(2×2)(2×2)最大池化内核用于两个卷积集，最终卷积层的输出被展平为(100×1)(100×1)池化后的向量，最后是输出层。
13、优选的，步骤s3包括以下具体过程：
14、s31：对网络模型的权重和偏置值进行初始化；
15、s32：将天气参数数据集和无人机控制参数数据集输入该网络模型的每一层，并计算网络输出结果；
16、s33：将经由网络模型的输出结果与目标值进行比较，计算损失函数的值；
17、s34：根据损失函数的值反向传播误差信号，并根据误差信号和学习率更新网络模型的参数；
18、s35：循环执行步骤s32-步骤s34，直到达到预定的训练停止条件。
19、优选的，在步骤s33中的损失函数包括均方误差或者交叉熵。
20、优选的，步骤s35中的训练停止条件为达到最大迭代次数或者达到损失函数的收敛条件。
21、第二方面，提供一种基于深度学习的无人机控制系统，用于实现一种基于深度学习的无人机控制方法，包括数据集创建模块、网络模型创建模块、网络模型训练模块、天气数据采集模块、飞行参数采集模块和飞行控制模块；
22、所述数据集创建模块，用于创建天气参数数据集和无人机控制参数数据集；
23、所述网络模型创建模块，用于创建无人机控制的网络模型；
24、所述网络模型训练模块，用于对无人机控制的网络模型进行训练；
25、所述天气数据采集模块，用于实时采集无人机飞行环境的天气数据；
26、所述飞行参数采集模块，用于实时采集无人机起飞以及飞行过程中的飞行参数；
27、所述飞行控制模块，用于对无人机的起飞以及飞行进行飞行参数调节控制。
28、优选的，所述数据集创建模块与所述网络模型创建模块连接，所述网络模型创建模块与网络模型训练模块连接，所述天气数据采集模块和飞行参数采集模块均与所述飞行控制模块连接。
29、优选的，所述飞行控制模块采用pid控制模块。
30、本专利技术的有益效果包括：
31、本专利技术提供的基于深度学习的无人机控制方法及系统，首先创建天气参数数据集、无人机控制参数数据集以及无人机控制的网络模型；再通过天气参数数据集和无人机控制参数数据集对无人机控制的网络模型进行训练；并对无人机控制的神经网络模型的适应性进行评价，判断该神经网络模型是否满足要求；若是，则实时采集无人机飞行环境的天气数据，根据实时天气数据利用无人机控制的神经网络模型对无人机起飞和飞行过程进行控制；最后采集控制过程中的无人机的起飞以及飞行的实时数据，对无人机飞行过程的控制参数进行实时调节。使得无人机在起飞阶段以及飞行阶段中即使在各种恶劣的天气中，仍然能够平稳起飞以及稳定飞行。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的无人机控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的无人机控制方法，其特征在于，所述天气参数数据集包括各种天气数据，涉及雨雪天气中的单位时间雨雪量、预设高度的雨雪倾下角度、刮风天气中的风力大小以及风力角度。
3.根据权利要求1所述的一种基于深度学习的无人机控制方法，其特征在于，步骤S2中的无人机控制的网络模型为卷积神经网络模型。
4.根据权利要求3所述的一种基于深度学习的无人机控制方法，其特征在于，所述卷积神经网络模型的架构使用两组双卷积层，其中第二组双卷积层为第一组双卷积层的最大池化操作，并且(3×3 )(3×3)步长为 1 的卷积滤波器和(2×2)(2×2)最大池化内核用于两个卷积集，最终卷积层的输出被展平为(100×1)(100×1)池化后的向量，最后是输出层。
5.根据权利要求1所述的一种基于深度学习的无人机控制方法，其特征在于，步骤S3包括以下具体过程：
6.根据权利要求5所述的一种基于深度学习的无人机控制方法，其特征在于，在步骤S33中的损失函数包括均方
7.根据权利要求5所述的一种基于深度学习的无人机控制方法，其特征在于，步骤S35中的训练停止条件为达到最大迭代次数或者达到损失函数的收敛条件。
8.一种基于深度学习的无人机控制系统，用于实现权利要求1-7任意一项所述一种基于深度学习的无人机控制方法，其特征在于，包括数据集创建模块、网络模型创建模块、网络模型训练模块、天气数据采集模块、飞行参数采集模块和飞行控制模块；
9.根据权利要求8所述的一种基于深度学习的无人机控制系统，其特征在于，所述数据集创建模块与所述网络模型创建模块连接，所述网络模型创建模块与网络模型训练模块连接，所述天气数据采集模块和飞行参数采集模块均与所述飞行控制模块连接。
10.根据权利要求8所述的一种基于深度学习的无人机控制系统，其特征在于，所述飞行控制模块采用PID控制模块。
...【技术特征摘要】
1.一种基于深度学习的无人机控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的无人机控制方法，其特征在于，所述天气参数数据集包括各种天气数据，涉及雨雪天气中的单位时间雨雪量、预设高度的雨雪倾下角度、刮风天气中的风力大小以及风力角度。
3.根据权利要求1所述的一种基于深度学习的无人机控制方法，其特征在于，步骤s2中的无人机控制的网络模型为卷积神经网络模型。
4.根据权利要求3所述的一种基于深度学习的无人机控制方法，其特征在于，所述卷积神经网络模型的架构使用两组双卷积层，其中第二组双卷积层为第一组双卷积层的最大池化操作，并且(3×3 )(3×3)步长为 1 的卷积滤波器和(2×2)(2×2)最大池化内核用于两个卷积集，最终卷积层的输出被展平为(100×1)(100×1)池化后的向量，最后是输出层。
5.根据权利要求1所述的一种基于深度学习的无人机控制方法，其特征在于，步骤s3包括以下具体过程：
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。