[发明专利]基于长短时记忆网络的飞机自动驾驶操作模拟方法

说明书

本发明涉及一种基于长短时记忆网络的飞机自动驾驶操作模拟方法，属于飞机自动驾驶领域。将航线整流程飞行数据作为训练集，利用长短时记忆网络挖掘数据在时间序列上的相关性，学习飞行员依据航线导航信息进行驾驶行为决策的模式。通过训练，模型将学习到人类飞行员根据导航数据进行飞行模式转换的关键决策信息。对独立的飞行阶段进行飞行机理分析与数据相关性分析，确定相应的模型训练输入。通过训练，模型将学习到从飞行状态、飞行环境等输入到操作量输出的映射关系。由此，飞机在实际飞行过程中根据感知到的飞行状态、飞行环境等数据，通过长短时记忆网络模型预测得到对应的油门杆、脚蹬、俯仰横滚摇杆操作量，从而实现飞机的自动驾驶。

技术领域

本发明属于飞机自动驾驶领域，特别是涉及一种基于长短时记忆(LSTM)网络的端到端的深度神经网络模型的飞机自动驾驶模拟方法。

背景技术

飞机的自动驾驶仪是按技术要求自动控制飞行器轨迹的调节设备，其作用主要是保持飞机姿态和辅助驾驶员操纵飞机，现代自动驾驶仪已广泛应用于飞机。自动驾驶仪可以保证飞机按照设定的航线、速度和高度自动飞行，如果飞机偏离原有姿态，系统也能自动修正。自动驾驶仪能够完成高空中的自动巡航保持稳定飞行，但一些比较精确的操作，比如起飞降落、地面滑行、避免碰撞等仍然需要飞行员介入。

针对当前飞机自动驾驶仪的局限性，有必要研究一种新的飞机自动驾驶方法，不需要通过人类预先设定飞机飞行状态，而是让飞机学会在遇到特定情况时如何自动飞行，自行智能地做出操作应对决策，增加飞机自动驾驶方法在真实飞行过程中的应用场景和泛化能力。

深度学习的蓬勃发展，极大地扩展了人工智能算法的应用场景并深刻地影响着当下的社会生活。作为深度学习的重要应用之一，自动驾驶技术也成为了热点研究领域。自然而然地，开始有研究者类比地将深度学习方法引入到飞机的自动驾驶中。该技术试图取代传统代自动驾驶仪在飞行驾驶的问题上进一步解放人类，利用计算机系统以及机器学习算法提高飞机自动驾驶的智能性，提高飞机自动驾驶技术的适用性范围，提高飞机驾驶的安全性与便利性，因此该技术具有良好的应用前景。

许多新的研究表明，采用一个端到端的神经网络模型作为“黑箱”系统进行问题求解，比基于人类经验特征进行建模求解的方法具有更好的效果。得益于深度神经网络的强表征能力，端到端的神经网络模型可以自主学习飞机各种飞行状态量和人类的驾驶操作行为之间存在的映射关系，并依此进行正确、合理的预测。这种技术被称为“行为克隆”，实际上是一种模仿学习，采用深度学习模型模仿学习得到的状态-动作对序列决定飞机在特定情况下的驾驶方式。通过提供足够多情形下足够大体量的飞行员驾驶飞行数据进行示教，学习训练得到的神经网络就可以直接预测到在各种复杂情况下符合人类驾驶习惯的正确驾驶操作行为。

发明内容

要解决的技术问题

为了提升现有飞机自动驾驶系统的智能化程度扩大其适用性范围，本发明提出了了一种基于长短时记忆网络的飞机自动驾驶操作模拟方法。

技术方案

本发明主要包括以下两点：

1、提出用基于长短时记忆网络的方法实现对飞行员驾驶行为决策模式的学习预测。

将大量经处理过的航线整流程飞行数据作为训练集，利用长短时记忆网络挖掘数据在时间序列上的相关性，学习飞行员依据航线导航信息进行驾驶行为决策的模式。通过训练，模型将学习到人类飞行员根据导航数据进行飞行模式转换的关键决策信息，例如在何时进行飞行高度爬升、何时进行飞行转弯、何时进行巡航下降等，以及以何种爬升率或者爬升角爬升、以何种坡度进行转弯、以何种模式下降等。

2、提出用基于长短时记忆网络的方法实现飞机自动驾驶的操作量预测。

将飞行数据按阶段进行划分，以飞机飞行过程中油门杆、脚蹬、俯仰横滚摇杆的操作量为模型输出，针对独立的飞行阶段进行飞行机理分析与数据相关性分析，确定相应的模型训练输入。