[发明专利]基于神经网络的旋翼无人机实时风速估计方法

说明书

一种基于神经网络的旋翼无人机实时风速估计方法：进行标定实验；计算机体坐标系下每个采样时刻的总惯性力矢量；计算机体坐标系下每个采样时刻的旋翼无人机空速矢量；将机体坐标系下每个采样时刻的旋翼无人机空速矢量作为输出，旋翼电机的输入等效电压和机体坐标系下每个采样时刻的总惯性力矢量作为输入，训练并保存人工神经网络；计算当前时刻机体坐标系下的总惯性力矢量，将计算的总惯性力矢量和采集的旋翼电机的输入等效电压作为训练好的人工神经网络的输入，获得当前时刻机体坐标系下旋翼无人机空速矢量的估计值根据估计值计算出当前时刻的环境风速矢量的估计值。本发明适用于任意旋翼数目的旋翼无人机，可简便、准确地估计风速/风向。

技术领域

本发明涉及一种旋翼无人机实时风速估计方法。特别是涉及一种基于神经网络的旋翼无人机实时风速估计方法。

背景技术

旋翼无人机具有运动灵活且适应环境能力强等优势，常被用于科研考察、目标侦查^[1]、喷洒农药^[2]以及气味源定位^[3]等应用场景。旋翼无人机在飞行中会受到风的作用和影响。然而，风不仅仅是旋翼无人机飞行过程中的主要干扰因素，也是无人机应用中的一种重要参考信息。例如旋翼无人机可通过室外环境中风速/风向信息实现气味源定位。地面移动机器人通过使用机载风速仪获取环境风速/风向信息^[4]，但对旋翼无人机而言，风速仪过于沉重，不便机载，并且无人机旋翼的高速转动会产生下洗气流，对其下方的气流场产生强烈扰动，从而很难从风速仪输出的复杂混合信号中提取准确的风速/风向信息。

作为一种飞行器，风速与风向对旋翼无人机的飞行参数(如飞行姿态与对地速度)存在显著影响，因此可通过使用旋翼无人机的飞行参数逆向估计其所在位置的风速/风向信息。现有的基于无人机的典型风矢量估计方法有基于旋翼无人机空气动力学模型的方法^[5,6]、基于倾角测量的风速估计方法^[7]、基于旋翼无人机动力学模型的方法^[8]等。基于旋翼无人机空气动力学模型的方法^[5,6]计算结果相对准确，但旋翼无人机的空气动力学模型过于复杂。基于倾角测量的风速估计方法^[7]通过风洞标定实验，拟合出机载传感器惯性测量单元(IMU)所提供的飞行姿态与风速之间的关系，然后将该结果应用于当无人机悬停时的风速估计。该方法虽简单易用，但悬停会导致无人机飞行不连贯。王佳瑛和罗冰等人^[8]利用四旋翼无人机动力学模型实现基于扩展状态观测器的风速估计，该方法在无人机悬停和飞行时均得到验证。不过该方法假设旋翼电机转速正比于其输入等效电压，并且四旋翼无人机的推力系数和阻力系数必须通过几个设计的标定实验进行获取。然而旋翼电机转速与其输入等效电压之间关系较为复杂，上述假设并不完全成立。若按照该假设进行近似计算，由此将引入系统误差。

发明内容

本发明所要解决的技术问题是，提供一种能够简便、准确地估计风速/风向的基于神经网络的旋翼无人机实时风速估计方法。

本发明所采用的技术方案是：一种基于神经网络的旋翼无人机实时风速估计方法，包括如下步骤：

1)进行标定实验，采集实验环境风速和旋翼无人机的飞行姿态角度、速度、加速度及旋翼电机的输入等效电压，并测量旋翼无人机质量；

2)根据旋翼无人机质量、旋翼无人机的飞行姿态角度和加速度，计算机体坐标系下每个采样时刻的总惯性力矢量；

3)根据实验环境风速、旋翼无人机的飞行姿态角度和速度计算机体坐标系下每个采样时刻的旋翼无人机空速矢量；

4)将机体坐标系下每个采样时刻的旋翼无人机空速矢量作为输出，旋翼电机的输入等效电压和机体坐标系下每个采样时刻的总惯性力矢量作为输入，对人工神经网络进行训练，训练完成后保存训练好的人工神经网络；