基于深度学习预测无人机状态的方法及系统、设备、介质与流程

本发明涉及无人机，尤其涉及一种基于深度学习预测无人机状态的方法及系统、设备、介质，用于无人机的自主飞行、避障、安全控制等多个方面。

背景技术：

1、随着无人机技术的快速发展，无人机的应用场景越来越广泛，如航拍、物流运输、搜索救援等。然而，无人机的飞行状态受到多种因素的影响，如风速、气流、电池电量等，这使得无人机的飞行状态具有很大的不确定性。因此，如何准确预测无人机的飞行状态，对于无人机的安全控制和有效应用具有重要意义。

2、传统的无人机飞行状态预测技术包括基于模型的无人机飞行状态预测方法和基于机器学习的无人机飞行状态预测方法。基于模型的无人机飞行状态预测方法是通过对无人机进行动力学建模，使用已知的初始状态和参数来预测无人机的未来飞行状态。这种方法需要对无人机进行准确的建模，并且需要选择合适的参数和初始状态。基于机器学习的无人机飞行状态预测方法是通过对大量的无人机飞行数据进行分析和学习，使用机器学习算法技术来预测无人机的未来飞行状态。这种方法需要对大量的无人机飞行数据进行标注和处理，并且需要选择合适的机器学习算法和参数。

3、基于模型的无人机飞行状态预测方法精确建模难度大，即无人机飞行受到多种因素的影响，如风场、气压、机械磨损等，精确建立无人机动力学模型非常困难；参数选择和调整困难，即模型中的参数选择和调整对预测精度影响较大，需要进行反复试验和调整；复杂环境和未知干扰处理能力有限，即基于模型的方法对复杂环境和未知干扰的处理能力有限，容易导致预测精度下降。

4、基于机器学习的无人机飞行状态预测方法存在数据质量和标注问题，即无人机飞行状态预测需要大量标注数据，数据质量和标注准确性对预测精度影响较大；存在特征提取和选择问题，即机器学习算法需要提取有效的特征进行预测，且特征提取和选择对预测精度影响较大；即对新环境和新任务的适应性有限，基于机器学习的方法对新环境和新任务的适应性有限，需要重新训练和调整模型；存在计算资源和实时性问题，即基于机器学习的方法计算复杂度较高，对计算资源和实时性要求较高；对高复杂度模型适应能力差，机器学习通常使用的是传统的线性模型或非线性模型，比如决策树、支持向量机等。

5、而深度学习则构建了多层神经网络，网络中的神经元之间存在大量的连接和权重，模型的复杂度更高。深度学习与传统的机器学习最主要的区别在于随着数据规模的不断增加其性能也不断增长。尤其是在海量数据样本的情况下，深度学习的效果将更加突出，对无人机飞行状态的预测结果更加精确。

6、本发明提供了一种基于深度学习预测无人机状态的方法及系统、设备、介质，利用深度学习技术对无人机的飞行状态进行实时预测，为无人机的安全控制和有效应用提供支持。

技术实现思路

1、本发明提供了一种基于深度学习预测无人机状态的方法及系统、设备、介质，通过深度学习技术对无人机的飞行状态进行实时预测，能够提高无人机的自主飞行能力、避障能力和安全性。

2、本发明通过下述技术方案实现：一种基于深度学习预测无人机状态的方法，包括以下步骤：

3、步骤s1，通过安装在无人机上的传感器采集无人机的历史飞行状态数据；

4、步骤s2，建立深度学习模型，将历史飞行状态数据输入进深度学习模型中，并利用训练好的深度学习模型进行预测，获取预测结果，得到未来一段时间内的无人机飞行状态；

5、步骤s3，根据所述预测结果和障碍物威胁数据计算出需要对无人机飞行姿态进行调整的参数；

6、步骤s4，将所述预测结果与所述需要对无人机飞行姿态进行调整的参数进行可视化输出，供预测无人机状态的系统使用。

7、为了更好地实现本发明，进一步地，所述步骤s1中无人机上的传感器采集无人机的飞行状态数据包括速度数据、加速度数据、偏航角数据、翻滚角数据，通过对飞行状态数据的实时监控和分析可以得知当前无人机的飞行状态。

8、为了更好地实现本发明，进一步地，所述步骤s2包括：

9、建立深度学习模型，所述深度学习模型包括从前到后依次连接的特征提取单元、目标检测单元和特征输出单元，使用所述深度学习模型对无人机的历史飞行状态数据进行训练和学习。

10、为了更好地实现本发明，进一步地，所述深度学习模型的结构包括：

11、所述特征提取单元包括从前到后依次连接的第一卷积层、第一批归一化层、线性修正层；

12、所述目标检测单元包括从前到后依次连接的第二卷积层、第二批归一化层、最大池化层；

13、所述特征输出单元包括全连接层；

14、所述线性修正层和所述第二卷积层连接，所述最大池化层和所述全连接层连接。

15、为了更好地实现本发明，进一步地，使用所述深度学习模型对无人机历史飞行数据进行训练和学习的方法包括：

16、采集无人机历史飞行数据构建数据集，生成数据集，并划分为测试集和训练集；

17、将所述数据集输入到特征提取单元中生成特征信息；

18、所述第一卷积层提取数据集的特征，使用所述第一批归一化层对输入的不同的数据集的特征进行处理，调整中间输出参数，再使用所述线性修正层调整参数的相互依存关系生成特征信息；

19、将所述特征信息输入到目标检测单元中输出特征检测信息；

20、所述第二卷积层提取特征信息的特征，所述第二批归一化层对特征信息进行信息采样，再使用最大值池化保留特征信息的数据并进行压缩生成特征检测信息；

21、将所述特征检测信息输入进特征输出单元中输出特征输出信息；

22、所述全连接层对所述目标检测单元提取到的特征检测信息进行整合输出特征检测信息，然后使用定位回归损失函数进行回归分析和计算损失值，随机初始化深度学习模型中所有的权重参数，设定学习率初始值以及衰减方法，然后预先设定损失值优化器，最后按照最大迭代次数进行迭代计算，直至迭代次数等于最大迭代次数，中止对训练集的训练，获取训练好的深度学习模型；

23、使用训练好的深度学习模型对无人机历史飞行数据进行训练和学习。

24、为了更好地实现本发明，进一步地，所述步骤s3中的获取障碍物威胁数据的方法包括：基于雷达威胁模型和恶劣天气威胁模型获取障碍物威胁数据。

25、为了更好地实现本发明，进一步地，所述步骤s4包括：

26、所述可视化输出的数据包括无人机位置和姿态数据、飞行轨迹和地图数据、传感器数据可视化数据、障碍物预警和避障数据、电池电量和通信状态数据。

27、本发明还提供了一种基于深度学习预测无人机状态的系统，包括无人机飞行状态数据采集模块、飞行状态深度学习模块、姿态调整算法模块和预测结果输出模块，其中：

28、无人机飞行状态数据采集模块，用于通过安装在无人机上的传感器采集无人机的飞行状态数据，并将所述的飞行状态数据传输至飞行状态深度学习模块；

29、飞行状态深度学习模块，用于接收历史飞行状态数据，并利用训练好的深度学习模型进行预测，得到未来一段时间内的无人机飞行状态；

30、姿态调整算法模块，用于根据飞行状态深度学习模块的预测结果和障碍物威胁数据计算出需要对无人机飞行姿态进行调整的参数；

31、预测结果输出模块，用于将飞行状态深度学习模块的预测结果与姿态调整算法模块计算出的调整无人机姿态所需的参数进行可视化输出，供预测无人机状态的系统使用。

32、本发明还提供了一种电子设备，该电子设备包括处理器和存储器；处理器中包括上述第二方面所记载的基于深度学习预测无人机状态的系统。

33、本发明还提供了一种计算机可读存储介质，该计算机可读存储介质包括指令；当指令在上述第三方面所记载的电子设备上运行时，使得电子设备执行上述第一方面所记载的方法。

34、本发明与现有技术相比，具有以下优点及有益效果：

35、(1)本发明提供一种基于深度学习预测无人机状态的方法及系统、设备、介质，通过深度学习技术对无人机的飞行状态进行实时预测，能够提高无人机的自主飞行能力、避障能力和安全性；

36、(2)本发明提供一种基于深度学习预测无人机状态的方法及系统、设备、介质，通过深度学习技术对无人机的飞行状态进行实时预测，能够提高无人机的自主飞行能力、避障能力和安全性。该系统可广泛应用于各种类型的无人机中，具有广阔的应用前景和市场前景。具体效用如下：

37、提高物流效率：通过预测无人机的飞行状态，物流企业可以更精确地规划运输路线和时间，提高物流效率，降低运输成本。这有助于促进电商、农业等领域的发展。

38、增强应急响应能力：在灾害救援、医疗急救等场景中，基于深度学习的无人机飞行状态预测系统可以帮助救援人员提前了解无人机可能遇到的飞行障碍，快速制定和调整救援计划，提高应急响应能力。

39、促进农业现代化：在农业领域，无人机可用于植保、监测、播种等多个环节。通过预测无人机的飞行状态，可以更好地安排农事活动，提高农业生产效率，促进农业现代化。

40、推动科研发展：无人机可用于环境监测、气象观测等领域。通过基于深度学习的无人机飞行状态预测系统，可以更准确地获取数据，为科研工作提供有力支持。

41、创造就业机会：随着无人机技术的普及，将需要更多的人来操作和维护无人机。此外，无人机相关产业的发展也将创造更多的就业机会，包括无人机制造、销售、服务等。

42、推动技术创新：基于深度学习的无人机飞行状态预测系统是无人机技术的重要组成部分。它的研发和应用将推动相关技术的不断创新和发展，促进整个无人机行业的进步。

43、提升生活品质：无人机在娱乐、摄影等领域也有广泛应用。通过基于深度学习的无人机飞行状态预测系统，可以更好地规划和控制无人机的航拍等任务，为人们提供更高质量的娱乐和摄影体验。