[发明专利]基于双向长短期记忆网络的无人机飞行路径实时预测方法

说明书

本发明提供了一种基于双向长短期记忆网络的无人机飞行路径实时预测方法，所述方法包括如下步骤：步骤S1、采集若干次自主作业无人机沿同一条路径飞行的GPS定位数据序列，使用基于Bessel大地坐标转换和最小二乘拟合进行数据预处理生成模型训练数据集；步骤S2、构建双向长短期记忆路径预测模型，使用所述的模型训练数据集对路径预测模型进行训练；步骤S3、利用训练好的路径预测模型，结合基于PID原理的预测模型补偿器实时预测无人机作业飞行路径。本发明的无人机飞行路径预测模型性能优于其他的传统神经网络模型，有更高的预测精度。

技术领域

本发明涉及无人机路径监测领域，特别是一种基于双向长短期记忆网络的无人机飞行路径实时预测方法。

背景技术

随着无人机自主控制技术的快速发展，近年来无人机在电力巡检、交通监控、目标跟踪、军事打击等领域的无人化作业已经成为现实。使用无人机进行自主作业不仅能够节约大量人力成本，而且与传统的人为操作方式相比，自动飞行的无人机因不受遥控距离限制而能在更大的范围内进行作业，同时拥有更高的控制速度和精度。对于如数据采集、作物喷洒等有计划进行或周期性重复的作业任务，通常需要根据任务需求和作业环境信息为无人机设计飞行路径。例如，规划能够使无人机遍历选定区域或避开障碍物的路径。实现无人机自主控制的一个重要前提是获取导航信息。对于上述类别的任务，最为广泛使用的导航方式是通过全球定位系统、北斗和格罗纳斯等卫星定位系统获取无人机的实时地理坐标，并将其与目标点坐标相比较来确定无人机的飞行方向和速度。

然而，无人机实际作业时可能由于风力、电磁干扰等外部扰动因素的影响，产生飞行控制产生误差或错误，导致实际飞行路径与预设定的规划路径之间存在偏差。由于缺少人为干预，无人机无法对潜在的作业异常情况做出准确判断，从而可能因没有及时调整控制信号而错过目标点造成任务失败，甚至造成严重后果。为了保证作业安全，无人机必须拥有监测和校正飞行路径的能力，这对于无人机自主作业任务的顺利完成起着重要的保障作用。同时，无人机在城市、森林等较为复杂的场景中作业时，卫星定位信号可能存在较大误差或无法被正常接收。在这种情况下如何得到准确的定位信息也是一个急需解决的问题。

目前得到广泛使用且效果较好的无人机自主作业监测手段是以无人机实际飞行路径为依据对其未来一段时间的位置信息进行合理预测。若预测值与所设定的目标点之间误差超过一定阈值，则判定无人机作业存在异常。

神经网络能够通过其具有强大的数据特征学习能力提取数据间存在的关联，这一特性使其被广泛应用于运动轨迹预测问题，在预测效果和性能上都具有显著的优越性。大多数预测模型都是基于多层感知、循环神经网络、长短期记忆网络和卷积神经网络等经典神经网络。现有技术中提出了一种用于飞行轨迹预测的约束长短期记忆网络，根据飞机动态特性提出了不同阶段的约束，模型能够通过动态物理约束保持长期依赖。尽管对物体运动路径预测问题的研究已经较为成熟，但是受到无人机运动突变性和复杂性的限制，使用深度神经网络预测无人机飞行路径的研究还较少。

发明内容

为克服上述问题，本发明的目的是提供一种基于双向长短期记忆网络的无人机飞行路径实时预测方法，提高了预测的精准度。

本发明采用以下方案实现：一种基于双向长短期记忆网络的无人机飞行路径实时预测方法，所述方法包括如下步骤：

步骤S1、采集若干次自主作业无人机沿同一条路径飞行的GPS定位数据序列，使用基于Bessel大地坐标转换和最小二乘拟合进行数据预处理生成模型训练数据集；

步骤S2、构建双向长短期记忆路径预测模型，使用所述的模型训练数据集对路径预测模型进行训练；

步骤S3、利用训练好的路径预测模型，结合基于PID原理的预测模型补偿器实时预测无人机作业飞行路径。