[发明专利]基于深度学习的无人机控制律参数调节方法及系统

权利要求书

1.一种基于深度学习的无人机控制律参数调节系统，其特征在于：包括深度学习训练子系统和深度学习应用子系统；所述深度学习训练子系统，包括无人机数据采集单元和深度学习训练单元；所述无人机数据采集单元，采集无人机飞行状态参数信息；所述深度学习训练单元，接收无人机数据采集单元采集的无人机飞行状态参数信息并进行训练形成深度学习网络模型；所述深度学习网络模型，是带有标签的无人机飞行数据为影响因子的多层神经网络卷积模型；

所述深度学习应用子系统，包括深度学习运算单元和PID控制单元，所述深度学习运算单元，包括经深度学习训练单元训练后的深度学习网络模型，深度学习网络模型接收无人机飞行状态参数数据，输出无人机的控制律参数偏移值，并与无人机飞行数据共同作为PID控制单元的输入；

所述PID控制单元，是以比例、积分、微分调节为框架的无人机姿态控制单元，在无人机飞行过程的不同阶段，根据深度学习运算单元输出的控制律参数偏移值的变化及无人机当前飞行数据，实时改变PID控制单元的输入参数，调整无人机的飞行姿态。

2.根据权利要求1所述的基于深度学习的无人机控制律参数调节系统，其特征在于：所述无人机飞行状态参数信息包括飞行姿态信息、速度、加速度、角速度、位置、机载设备、传感器的状态及传感器数据。

3.一种基于深度学习的无人机控制律参数调节方法，其特征在于：步骤如下：

S1，构建无人机深度学习飞行数据库；所述无人机深度学习飞行数据库，包括PID最优控制律参数对应的无人机飞行数据和以最优控制律参数为中心调节PID控制单元控制律参数获得的无人机飞行数据；

S2，构建并训练深度学习网络模型；所述深度学习网络模型，是带有标签的无人机飞行数据为影响因子的多层神经网络卷积模型；

S3，检验深度学习网络模型；

S4，采集无人机的实时飞行数据；所述飞行数据包括俯仰角、滚转角、偏航角、各轴向角速度、各轴向速度、各轴向加速度及坐标位置；

S5，将采集的无人机实时飞行数据输入到检验后的深度学习网络模型，得到相对于最优控制律参数的偏移量；

S6，PID控制单元根据步骤S5得到的偏移量及当前无人机飞行数据对无人机控制律参数进行调节，使无人机获得最优飞行姿态。

4.根据权利要求3所述的基于深度学习的无人机控制律参数调节方法，其特征在于，在步骤S1中，具体步骤如下：

S1.1，获得PID最优控制律参数对应的无人机飞行数据；

S1.2，以最优控制律参数为中心调节PID控制单元控制律参数获得的无人机飞行数据；

S1.2.1，设定PID控制单元的控制律参数的调节方式；

PID控制单元的控制律参数的调节方式有三种，一种是比例、积分、微分仅调节一个，其余两个不变；一种是任意调节比例、积分、微分中的两个，其余一个不变；一种是比例、积分、微分同时调节；

S1.2.2，按调节方式逐一调节PID控制单元的参数，每次调节时都获得以参数调节内容为标签的无人机飞行数据；

S1.3，结合步骤S1.1和步骤S1.2得到带标签的无人机深度学习飞行数据库。

5.根据权利要求3所述的基于深度学习的无人机控制律参数调节方法，其特征在于，在步骤S2中，具体步骤如下：S2.1，构建深度学习网络模型；

所述深度学习网络模型，是带有标签的无人机飞行数据为影响因子的多层神经网络卷积模型；

S2.2，训练深度学习网络模型；

S2.2.1，将步骤S1中采集到的无人机飞行数据输入到多层神经网络卷积模型中进行训练；

S2.2.2，采用梯度下降法最小化残差函数，提取多层神经网络卷积模型的参数特征；

S2.2.3，根据步骤S2.2.2对多层神经网络卷积模型中各个权重参数逐层调节，得到训练后的深度学习网络模型。

6.根据权利要求5所述的基于深度学习的无人机控制律参数调节方法，其特征在于，在步骤3中，将步骤S1中未进行过训练的带有标签的无人机飞行数据输入到步骤S2搭建的深度学习网络模型，学习出无人机当前飞行控制律参数相对于最优控制律参数的偏移量；并将学到的偏移量与标准差进行比较，若学到的偏移量相对于标准差不大于±5％的置信度高于90％，则表明检验通过，否则，重复步骤S2直至检验通过。