本发明专利技术公开了一种基于BP神经网络的无人机驾驶路线航点标定方法,包括以下步骤:随机产生1000个三维坐标点;建立BP神经网络输入层的矩阵P;列出BP神经网络输出端矩阵T;建立BP神经网络;训练该BP神经网络;拟合出无人机的航点路线。与现有技术相比,本发明专利技术将无人机可划定标点数量增大、无人机标点路线具有方向性和可完善无人机自动驾驶仪系统,创新性地应用了BP神经网络技术,并在此基础上快速有效地实现无人机地面站对航点路线的设计,能够应用在无人机的自动驾驶仪上;作为新颖的基于神经网络的自动驾驶仪航点路线方案,在以后的无人机自动驾驶仪研究中有极大的发展前景。
【技术实现步骤摘要】
本专利技术涉及无人机自动驾驶
,特别是涉及一种无人机驾驶路线的航点标 定方法。
技术介绍
近年来,无人机的发展特别迅猛。无人机使用范围已从军事拓展至民用及科研多 个领域。军事上,无人机可用于侦查监视、中继通信、电子对抗、战果评估、对地(海)攻击、 早期预警等;民用上,用于大气研究、气象观测以及新技术新设备的实验验证等。 2010年4月中旬,美国陆军正式公布了 2010年至2035年的无人机系统发展路 线图:陆军的近期目标是实现直升机的无人驾驶,即装备新型舰载垂直直升机起降战术 无人机,以填补当前迫切的战争需求。有关无人机自动驾驶仪的研究,也愈演愈烈。加 拿大MicroPilot公司的无人直升机自动驾驶仪MP2128HELI、瑞士WcControl公司的 wcPilotlOOO微小型无人直升机自动驾驶仪以及美国加州理工研发的HcliAP无人直升机 自动驾驶仪都是典型的代表。目前,国内的无人机自动驾驶仪研究水平还处于仿制阶段,整体研发尚处于起步 阶段。 BP神经网络属于前向网络,是神经网络的核心,也是整个神经网路体系中的精华, 同时它有别于多层感知器。
技术实现思路
针对上述的现有技术及存在的问题,本专利技术提出了一种基于BP神经网络的无人 机驾驶路线航点标定方法,在该领域创新性地应用了BP神经网络技术,实现针对无人机地 面站在地图上航点的无人机飞行路线标定。 本专利技术提出了一种基于BP神经网络的无人机驾驶路线航点标定方法,包括以下 步骤: 步骤1:随机产生1000个三维坐标点,用于模拟地面站地图上的1000个航点; 步骤2:建立BP神经网络输入层的矩阵P; 其中,(an,a21,a31)表示第1个航点,(a21,a22,a32)表示第2个航点,以此类推, (al999,a2999,a3999)表不弟 999 个航点,(all。。。,a21。。。,a31000 )表示第1000个航点。 步骤3 :建立BP神经网络输出端矩阵T; 其中,(bn,b21,b31)表示系统输出经过的第1个航点,(b12,b22,b32)表示系统输出 经过的第2个航点,以此类推,(b1999,b2999,b3999)表示系统输出经过的第999个航点,(b_。, b21_,b31_)表示系统输出经过的第1000个航点。同时,矩阵P与矩阵T相等,即P=T。 步骤4 :建立BP神经网络,net=netff(P,T,3),其中,P、T分别表示BP神经网络 输入和输出矩阵,3表示设计的ΒΡ神经网络有一个隐含层,且隐含层神经元个数为3; 步骤5 :训练该ΒΡ神经网络, =train(net,Ρ,Τ),使用输入、输出矩阵对 BP神经网络net进行训练,同时得到新的神经网络net,tr用于记录训练的步数印och和 f生能perf; 步骤6 :针对BP神经网络的矩阵输出,使用plot3函数对矩阵所代表的航线点进 行连线,生成无人机的航点路线。与现有技术相比,本专利技术将无人机可划定标点数量增大、无人机标点路线具有方 向性和可完善无人机自动驾驶仪系统,创新性地应用了BP神经网络技术,并在此基础上快 速有效地实现无人机地面站对航点路线的设计,能够应用在无人机的自动驾驶仪上; 作为新颖的基于神经网络的自动驾驶仪航点路线方案,在以后的无人机自动驾驶 仪研究中有极大的发展前景。【附图说明】 图1是100个航点下的标定路线示意图; 图2是100个航点下实际飞行路线与设计路线之间的误差性能曲线示意图; 其中,Train、Validation、Test分别表示训练的结果性能、检验的结果性能、验证 的结果性能。Performance表示系统性能,Epochs表示系统训练的步数。从图中可以看出, 三条曲线在1000步时,误差都下降到了 10 5(百分比值)。 图3是1000个航点下的标定路线示意图; 图4是1000个航点下实际飞行路线与设计路线之间的误差性能曲线示意图; 其中,Train、Validation、Test、Best分别表示训练的结果性能、检验的结果性能 验证的结果性能、系统最佳状态下的性能。Performance表示系统性能,Epochs表示系统训 练的步数。BestValidationPerformanceis0· 00046723atepoch1000表不在训练到 1000步时的最佳检验性能是0. 00046723。同时,系统性能用最小均方误差表示MSE(Mean SquaredError)。可以看到,图中①②③条曲线有重叠,说明训练、检验、验证、最佳的结果 性能相似。 图5为本专利技术整体流程图。【具体实施方式】 以下结合附图及【具体实施方式】,进一步详述本专利技术的技术方案。 普通无人机自动驾驶的路线航点标定都在100个以内,本专利技术基于BP神经网络 (ErrorBackPropagation,即误差反向传播算法神经网络)可以将航点数量提高到1000 个。虽然要使用BP神经网络进行飞行路线的训练需要一定的时间,但是,本专利技术利用基于 BP神经网络这一创新点,标定精确度可以达到10 4数量级(误差值与实际值的比值大小)。 同时,在使用BP神经网络时,可以标定航点的方向,从而判断无人机飞行方向是否正确。当 无人机在两个航点间飞行时,利用本专利技术的标定结果可以给出实际飞行路线与设计路线之 间的误差,如果误差过大,那么系统就会给出警报。这样,有利于进一步完善无人机自动驾 驶仪。 本专利技术的仿真在MATLAB下进行的: 首先利用MATLAB中的randi函数生成随机的三维航点数据(分别采用了一组100 个航点和本专利技术的1000个航点进行对比);限定数据范围,模拟空中三维点,并使航点达到 1000 个。 其次,建立BP神经网络(采用三层的神经网络,其包含输入层、输出层以及一个隐 含层),隐含层采用tansig函数,输出层采用purelin函数,BP网络的权值/阈值学习函数 为learngdm,其性能函数为MSE(MeanSquareError),即用均方误差函数作为性能分析的 指标; 最后,针对以上的航点进行曲线拟合,形成无人机的飞行路线。 BP神经网络将输入数据的60 %用于训练,20 %用于检验,20 %用于验证,采用了 提前终止的策略,防止过拟合的情况发生,精确度有所提高。如图2和图4所示,分别给出 了 〇当前第1页1 2 本文档来自技高网...
【技术保护点】
一种基于BP神经网络的无人机驾驶路线航点标定方法,其特征在于,该方法包括以下步骤:步骤(1),随机产生1000个三维坐标点,用于模拟地面站地图上的1000个航点;步骤(2),建立BP神经网络输入层的矩阵P;P=a11a12a13...a1999a11000a21a22a23...a2999a21000a31a32a33...a3999a31000]]>其中,(a11,a21,a31)表示第1个航点,(a21,a22,a32)表示第2个航点,以此类推,(a1999,a2999,a3999)表示第999个航点,(a11000,a21000,a31000)表示第1000个航点。步骤(3),列出BP神经网络输出端矩阵T;T=b11b12b13...b1999b11000b21b22b23...b2999b21000b31b32b33...b3999b31000]]>其中,(b11,b21,b31)表示系统输出经过的第1个航点,(b12,b22,b32)表示系统输出经过的第2个航点,以此类推,(b1999,b2999,b3999)表示系统输出经过的第999个航点,(b11000,b21000,b31000)表示系统输出经过的第1000个航点。同时,矩阵P与矩阵T相等,即P=T。步骤(4),建立BP神经网络,net=netff(P,T,3),其中,P、T分别表示BP神经网络输入和输出矩阵,3表示设计的BP神经网络有一个隐含层,且隐含层神经元个数为3;步骤(5),训练该BP神经网络,[net,tr]=train(net,P,T),使用输入、输出矩阵对BP神经网络net进行训练,同时得到新的神经网络net,tr用于记录训练的步数epoch和性能perf;步骤(6),针对BP神经网络的矩阵输出,使用plot3函数对矩阵所代表的航线点进行连线,生成无人机的航点路线。...
【技术特征摘要】
【专利技术属性】
技术研发人员:苏寒松,张永振,刘高华,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。