System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无人机激光充电,特别是一种基于无人机激光充电能量传输监测方法及系统。
技术介绍
1、无人机作为一种非常有用的不载人飞行器,由于其体积小、造价低、使用方便、对作战环境要求低以及战场生存能力较强等优点而备受世界各国军队的青睐。然而,其短续航时间是其主要的缺点之一。
2、目前,已经有一些技术用于无人机的充电,包括太阳能和基于微波的无线能量传输技术。但是,太阳能受到气候条件的影响,而微波传输的效率较低。为了解决这个问题,激光充电成为新的选择。然而,目前的激光充电技术仍然存在一些亟待解决的问题。
3、传统的激光充电系统在能量传输过程中存在能量损失,导致能量传输效率低下,需要更长的时间给无人机充电,从而限制了其持续飞行的能力。传统的激光充电系统还难以实时调整激光束以保持准确的能量传输,进而影响无人机的充电效果和飞行能力。另外,由于激光充电系统涉及高功率激光器,一旦能量传输过程中发生误差或失控,可能会给无人机、周围环境或人员带来安全风险。此外,传统方法对于能量传输的监测和控制不够精确,缺乏实时反馈和调整机制,无法有效避免潜在的安全问题。最后,传统的激光充电系统通常采用固定的激光束方向和形状,难以适应无人机在不同位置和姿态下的能量需求,导致了能量传输的效率低下和充电效果的不均匀。
技术实现思路
1、鉴于现有的激光充电系统通常采用固定的激光束方向和形状存在的问题,提出了本专利技术。
2、因此,本专利技术所要解决的问题在于如何适应无人机在不同位置和姿态
3、为解决上述技术问题,本专利技术提供如下技术方案:
4、第一方面,本专利技术实施例提供了一种基于无人机激光充电能量传输监测方法,其包括,获取无人机的实时位置和运动信息的数据,并将获取的数据通过无线通信传输至数据中心进行分析处理;基于数据中心接收的实时数据,利用卡尔曼滤波器算法融合分析,获取无人机的状态信息;基于无人机的状态信息,利用pid控制器计算激光束的方向和形状,同时根据计算结果,由地面激光充电系统动态调整发射器的激光束的方向和形状,以适应无人机姿态变化;监测激光束的传输效果并实时反馈给激光充电系统,根据反馈结果调整激光束控制算法,以优化激光束的方向和形状,确保随无人机运动稳定传输。
5、作为本专利技术所述基于无人机激光充电能量传输监测方法的一种优选方案,其中:所述利用卡尔曼滤波器算法融合分析包括以下步骤:根据高精度气压传感器提供的数据,估计初始状态;根据无人机的运动特性,利用动力学方程的匀速运动模型描述无人机的运动;根据当前状态估计值和动力学方程,预测无人机在下一个时间步的状态和协方差矩阵对状态估计的不确定程度,以描述状态估计的不确定性;以迭代的方式,利用实时获取的不同传感器数据的测量值,对无人机状态估计值更新。
6、作为本专利技术所述基于无人机激光充电能量传输监测方法的一种优选方案,其中:所述动力学方程的具体公式如下:
7、x(t+δt)=x(t)+v(t)*δt
8、v(t+δt)=v(t)+a*δt
9、其中,x(t)为当前时间点t的无人机空间坐标位置,v(t)为当前时间点t的无人机速度,δt为时间步长,a为常量加速度。
10、所述预测无人机在下一个时间步的状态的具体公式如下:
11、ppred=f*p
12、其中,f为状态转移矩阵,p为状态向量。
13、所述协方差矩阵的具体公式如下:
14、apred=f*a*f^t+q
15、其中,q为过程噪声的协方差矩阵,a为当前状态估计误差的协方差矩阵,f为状态转移矩阵,f^t为将矩阵的行和列互换。
16、作为本专利技术所述基于无人机激光充电能量传输监测方法的一种优选方案,其中:所述利用实时获取的不同传感器数据的测量值包括以下步骤:将不同传感器数据实时获取的无人机状态向量实际测量值和预测值比较,并计算测量残差;根据动力学方程的匀速运动模型和传感器噪声特性,计算测量残差协方差矩阵;利用预测的协方差矩阵和测量残差协方差矩阵,计算卡尔曼增益;使用卡尔曼增益将无人机状态向量的预测值和无人机状态向量的实际测量值进行加权组合,得到更新后的状态估计值;使用卡尔曼增益对预测协方差矩阵进行修正,以反映更新后的状态估计值的不确定性;重复执行此流程操作,以连续地融合分析不同传感器数据,并更新无人机的状态估计,得到无人机的实时状态信息。
17、作为本专利技术所述基于无人机激光充电能量传输监测方法的一种优选方案,其中:所述测量残差的具体公式如下:
18、b=[1,0]*p+w
19、m=b-ppred
20、其中,[1,0]为测量矩阵,p为状态向量的估计值,w为测量噪声,p_pred为无人机状态向量的预测值,b为无人机状态向量的实际测量值。
21、所述测量残差协方差矩阵的具体公式如下:
22、r=e[(b-[1,0]p)(b-[1,0]p)^t]
23、其中,e为期望操作,^t为转置操作,p为状态向量的估计值,b为无人机状态向量的实际测量值,[1,0]为测量矩阵。
24、所述卡尔曼增益的具体公式如下:
25、k=apred*[1;0]*r^-1
26、其中,[1;0]为测量矩阵的第一行的转置,a_pred为预测的协方差矩阵,r^-1为矩阵的逆,k为卡尔曼增益。
27、所述得到更新后的状态估计值的具体公式如下:
28、pest=ppred+k*(b-[1,0]*ppred)
29、其中,p_est为更新后的状态估计值,p_pred为预测的状态估计值,b为无人机状态向量的实际测量值,[1,0]为测量矩阵,k为卡尔曼增益。
30、所述更新后协方差矩阵的具体公式如下:
31、a=(i-k*[1,0])*apred
32、其中,a为更新后的协方差矩阵,i为单位矩阵,k为卡尔曼增益,a_pred为预测的协方差矩阵。
33、作为本专利技术所述基于无人机激光充电能量传输监测方法的一种优选方案,其中:所述利用pid控制器计算激光束的方向和形状包括以下步骤:
34、利用向量设定期望激光束方向和形状;根据无人机的状态信息和激光接收器的测量结果,计算实际激光束的方向向量和起始点位置;将偏差向量作为pid控制器的输入,计算pid控制器的输出值,并将计算的输出值应用于激光发射器。
35、所述pid控制器输出值的具体公式如下:
36、
37、其中,u(t)为pid控制器的输出值,kp为比例系数,ed为积分系数,ki为实际激光束的方向向量,kd为微分系数,ev为偏差向量,ev(τ)为偏差向量在时间轴上从0到t的区间内进行积分。
38、根据pid控制器的输出值,由地面激光充电系统动态调整发射器的激光束的方向和形状,以适应无人机姿态变化;本文档来自技高网...
【技术保护点】
1.一种基于无人机激光充电能量传输监测方法,其特征在于:包括,
2.如权利要求1所述的基于无人机激光充电能量传输监测方法,其特征在于:所述利用卡尔曼滤波器算法融合分析包括以下步骤:
3.如权利要求2所述的基于无人机激光充电能量传输监测方法,其特征在于:所述动力学方程的具体公式如下:
4.如权利要求2所述的基于无人机激光充电能量传输监测方法,其特征在于:所述利用实时获取的不同传感器数据的测量值包括以下步骤:
5.如权利要求4所述的基于无人机激光充电能量传输监测方法,其特征在于:所述计算测量残差的具体公式如下:
6.如权利要求1所述的基于无人机激光充电能量传输监测方法,其特征在于:所述利用PID控制器计算激光束的方向和形状包括以下步骤:
7.如权利要求1所述的基于无人机激光充电能量传输监测方法,其特征在于:所述根据反馈结果调整激光束控制算法包括以下步骤:
8.一种基于无人机激光充电能量传输监测系统,基于权利要求1~7任一所述的基于无人机激光充电能量传输监测方法,其特征在于:包括,
9.一种
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1~7任一所述的基于无人机激光充电能量传输监测方法的步骤。
...【技术特征摘要】
1.一种基于无人机激光充电能量传输监测方法,其特征在于:包括,
2.如权利要求1所述的基于无人机激光充电能量传输监测方法,其特征在于:所述利用卡尔曼滤波器算法融合分析包括以下步骤:
3.如权利要求2所述的基于无人机激光充电能量传输监测方法,其特征在于:所述动力学方程的具体公式如下:
4.如权利要求2所述的基于无人机激光充电能量传输监测方法,其特征在于:所述利用实时获取的不同传感器数据的测量值包括以下步骤:
5.如权利要求4所述的基于无人机激光充电能量传输监测方法,其特征在于:所述计算测量残差的具体公式如下:
6.如权利要求1所述的基于无人机激光充电能量传输监测方法,其特征在于:所述利用pid控制器计算激光...
【专利技术属性】
技术研发人员:谢春,时磊,刘博迪,张宗钰,严尔梅,余永瑞,叶锐,吉宝贤,陆丽娟,万如一,
申请(专利权)人:贵州电网有限责任公司,
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。