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.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115759498A(43)申请公布日2023.03.07(21)申请号202211387463.9G06V10/774(2023.01)(22)申请日2022.11.07G06N3/0464(2023.01)G06N3/084(2022.01)(71)申请人福云智控（厦门）智能科技有限公司地址361000福建省厦门市湖里区厦门火炬高新区软件园一期曾厝垵北路3号科汇楼402—A09(72)发明人陈思凡陈诚斌陈柏合舒鹏徐晓智许莉刘海容向进何开晟(74)专利代理机构福州旭辰知识产权代理事务所(普通合伙)35233专利代理师程春宝(51)Int.Cl.G06Q10/047(2023.01)G06T7/246(2017.01)权利要求书3页说明书7页附图4页(54)发明名称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(57)摘要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。CN115759498ACN115759498A权利要求书1/3页1.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，其特征在于：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。2.根据权利要求1所述的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，其特征在于：所述步骤S1进一步具体为：步骤S11、用j条无人机作业完整路径组成训练模型所使用的原始飞行路径数据集D＝{D1,D2,Di...,Dj}，其中Di表示第i条路径按时间顺序排列的坐标采样点序列；每个GPS采样点包括三个维度的数据，即纬度、经度和高程；步骤S12、将地球上任意一点P的位置都用在地理坐标系下的坐标(B,L,H)来表示，其中B和L代表纬度和经度，H代表高程；在使用GPS定位时得到的无人机在地理坐标系下的坐标用(Bel,Lel,Hel)表示；使用Bessel大地坐标转换公式将无人机在地理坐标系下的坐标(Bel,Lel,Hel)转换为导航坐标系下以米为单位的坐标(xel,yel,zel)以实现三维位置坐标各维度数据单位的统一化，得到用导航坐标系坐标来表示的数据集D′＝{D′1,D′2,...,D′j}；其中，Bessel大地坐标转换公式为：其中ae1、be1分别为地球的长轴和短轴长；Bel,Lel,Hel是无人机在地理坐标系下的纬度、经度、高程；令e0为地球偏心率，其具体表达式为：则步骤S13、按照设置的比例将D′按比例分为D′Train＝{D′1,D′2,...,D′q}和D′Validation＝{D′q+1,D′q+2,...,D′j}(q＜j)，以生成用于模型训练的训练集D′Train和用于验证模型性能的验证集D′Validation；步骤S14、假设路径预测模型使用无人机飞行的最近m个位置坐标来估计接下来的n个位置坐标，即模型输入为[Pk‑m+1,...,Pk‑1,Pk]，输出为[Pk+1,Pk+2,...,Pk+n]，Pi(xi,yi,zi)表示无人机接收到的第i帧GPS定位信息经Bessel转化得到的坐标，而当前时刻对应第k帧无人机位置坐标即为Pk；为了得到与模型输入和输出形式相同的张量数据，设置大小为3×(m+n)的滑动窗口遍历每条路径的坐标点序列，长度为l的序列D′i能得到l‑m‑n+1个与滑动窗口大小相同的矩阵，进一步得到形状为3m的模型输入和形状为1×3n的模型输出矩阵，由2CN115759498A权利要求书2/3页D′Train和D′Validation内序列生成的矩阵分别组成训练数据集和验证数据集。3.根据权利要求2所述的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，其特征在于：在无人机搭载的GPS模块因受到干扰或通信延迟无法被及时正常接收时，导致模型输入序列缺失数据，或是定位精度差，得到的定位信息存在误差，这都将对模型预测精度有影响