本发明专利技术公开了一种基于气象数据的无人飞艇智能飞行规划方法，根据智能飞行规划应用数据结构，设计深度神经网络模型；通过将感知的信息通过长短期记忆人工网络层后结合深度对抗循环Q神经网络，建立智能决策模型；设计智能决策系统框架，融合飞艇的状态信息与风场信息；建立无人飞艇飞行仿真环境，设置奖励机制使智能体在与环境交互中获得实时反馈；利用强化学习思想开展模型训练，通过最大化价值函数使飞艇与环境的交互中学习最优策略，对是否完成目标进行测试，对结果进行智能决策的性能评估。本发明专利技术采用上述的一种基于气象数据的无人飞艇智能飞行规划方法，节省飞艇能源消耗，能快速抵达任务目标区域并高效驻留，支撑任务开展。展。展。
【技术实现步骤摘要】
一种基于气象数据的无人飞艇智能飞行规划方法
[0001]本专利技术涉及高端装备制造
，尤其是涉及一种基于气象数据的无人飞艇智能飞行规划方法。
技术介绍
[0002]无人飞艇具有驻空时间长、任务载重大、可定点驻留等优点，是通信、遥感、气象探测等应用开展的理想飞行平台。近年来，随着无人飞艇平台和任务载荷技术的逐步发展，无人飞艇的相关应用需求越来越迫切，业界亟待无人飞行应用稳健落地。无人飞艇应用需求对其能力提出了越来越高的要求，需要其在复杂的环境条件下稳定可靠的执行任务并提升自主飞行能力，智能飞行规划成为提升无人飞艇应用能力的关键环节。
[0003]在迫切的应用需求下，无人飞艇技术不断发展，但无人飞艇智能飞行规划方法仍需突破。无人飞艇作为一种轻于空气依靠浮力飞行的飞行器，其飞行受环境中风场影响显著，虽然无人飞艇通过螺旋桨提供动力而具备了一定的抗风能力，但因为体积庞大抗风能力终究有限。
技术实现思路
[0004]本专利技术的目的是提供一种基于气象数据的无人飞艇智能飞行规划方法，在节省无人飞艇能源消耗的同时能够快速抵达任务目标区域并实现高效驻留，支撑任务开展。
[0005]为实现上述目的，本专利技术提供了一种基于气象数据的无人飞艇智能飞行规划方法，包括以下步骤：S1、根据智能飞行规划应用数据结构，设计用来感知风场信息的深度神经网络模型；将感知的风场信息通过长短期记忆神经网络层后结合深度对抗循环Q神经网络，建立输出动作决策的智能决策模型，使智能体拥有全局的记忆性，智能决策模型可在时序决策中获得策略；S2、设计智能决策系统框架，融合无人飞艇的状态信息与风场信息；S3、建立无人飞艇飞行仿真环境，包括风场生成模型和无人飞艇状态变化模型，并设置相应的奖励机制使智能体在与环境交互中获得实时反馈；S4、根据步骤S3得到的仿真环境中，利用强化学习思想开展模型训练，通过最大化价值函数使无人飞艇在与环境的交互中学习策略，最大化价值函数的计算公式如下： ；其中，为衰减因子，为当前时刻决策的奖励，为智能决策模型当前时刻的输入，为当前时刻的无人飞艇动作决策输出，为智能决策模型下一时刻的输入，为下一时刻的无人飞艇动作决策输出，表示对所有可能产生的的期望；
然后用实际风场数据对于是否完成目标进行测试，对测试的结果进行智能决策的性能评估。
[0006]优选的，步骤S1中，设计用来感知风场信息的深度神经网络模型包括：利用卷积神经网络提取当前时刻的风场信息特征，再利用全连接层神经网络整合风场与状态信息；设计智能决策模型包括：基于深度对抗循环Q神经网络构建，以融合的风场、状态异构信息为输入，利用长短期记忆神经网络处理序列决策问题，感受融合信息的变化趋势，使智能决策模型具备记忆功能，通过序列数据预判融合数据变化趋势。
[0007]优选的，步骤S2中，设计智能决策系统框架具体包括：任务决策过程为马尔科夫决策过程，基于无人飞艇状态、任务和环境复合信息，决策无人飞艇动作融合状态，在无人飞艇采取动作决策后根据无人飞艇状态变化模型更新得到下一时刻的飞行器状态，通过循环迭代，得到无人飞艇的任务规划结果。
[0008]优选的，动作决策包括速度与航向角的增量。
[0009]优选的，步骤S2中，融合无人飞艇的状态信息与风场信息包括：S21、利用卷积神经网络提取二维时序风场中当前时刻的风场特征；S22、将生成的一维向量与无人飞艇的当前状态信息拼接，通过长短期记忆神经网络层后，作为智能决策模型当前时刻的输入，输出当前时刻的无人飞艇动作决策；S23、应用无人飞艇状态变化模型获得无人飞艇下一个时刻的状态信息，得到的新的状态信息与下一个时刻的风场信息融合为；S24、通过长短期记忆神经网络层后循环决策得到航迹规划点。
[0010]优选的，步骤S3中，奖励机制为对当前无人飞艇采用动作决策的评价机制，无人飞艇在当前时刻的融合信息中采取动作决策后，会转移到下一个时刻的融合信息，奖励机制通过对比当前时刻的融合信息和下一个时刻的融合信息的变化做出评价。
[0011]优选的，步骤S4中，智能决策的性能评估包括：S41、通过对实际风场预测数据的抓取，将无人飞艇的起始状态、期望的位置坐标与实际风场的序列同时作为智能决策系统框架的输入，实现未来的任务决策；S42、通过对实际风场数据产生的智能决策结果，对无人飞艇完成目标状态进行评估。
[0012]优选的，步骤S42中，对无人飞艇完成目标状态进行评估的方法：通过无人飞艇的最终位置与目标点的距离进行判定。
[0013]因此，本专利技术采用上述一种基于气象数据的无人飞艇智能飞行规划方法，在节省无人飞艇能源消耗的同时能够快速抵达任务目标区域并实现高效驻留，支撑任务开展。
[0014]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0015]图1为本专利技术一种基于气象数据的无人飞艇智能飞行规划方法的智能决策模型设计图；图2为本专利技术一种基于气象数据的无人飞艇智能飞行规划方法的智能决策系统框架设计图；图3为本专利技术一种基于气象数据的无人飞艇智能飞行规划方法的智能决策性能评
估流程图；图4为本专利技术一种基于气象数据的无人飞艇智能飞行规划方法的智能规划方法学习过程图；图5为本专利技术一种基于气象数据的无人飞艇智能飞行规划方法的智能规划方法测试过程图。
具体实施方式
[0016]以下通过附图和实施例对本专利技术的技术方案作进一步说明。
[0017]除非另外定义，本专利技术使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。
[0018]实施例一一种基于气象数据的无人飞艇智能飞行规划方法，包括以下步骤：S1、根据智能飞行规划应用数据结构，设计用来感知风场信息的深度神经网络模型；利用卷积神经网络提取当前时刻的风场信息特征，再利用全连接层神经网络整合风场与状态信息；通过将感知的信息通过长短期记忆人工网络层后结合深度对抗Q网络，建立输出动作决策的智能决策模型，使智能体用有全局的记忆性，模型可在时序决策中获得最优策略；基于深度对抗循环Q神经网络构建，以融合的风场、状态异构信息为输入，利用长短期记忆神经网络处理序列决策问题，感受融合信息的变化趋势，使模型具备记忆功能，通过序列数据预判融合数据变化趋势。智能决策模型设计如图1所示。
[0019]S2、设计智能决策系统框架，融合无人飞艇的状态信息与风场信息；智能决策系统框架设计流程如图2所示。
[0020]设计智能决策系统框架具体包括：将任务决策过程看做马尔科夫决策过程，基于飞行器状态、任务和环境复合信息，决策飞行器动作融合状态为，在无人飞艇采取动作决策后根据无人飞艇状态变化模型更新得到下一时刻的飞行器状态。
[0021]动作决策包括速度与航向角的增量。通过循环迭代，得到飞行器整个任务期间的任务规划结果，用以支撑决策。
[0022]融合无人飞艇的状态信息与风场信息具体包括：S21、利用卷积神经网络提取二维时序风场中当前时刻的风场特征；S22、将生成的一维向本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于气象数据的无人飞艇智能飞行规划方法，其特征在于：包括以下步骤：S1、根据智能飞行规划应用数据结构，设计用来感知风场信息的深度神经网络模型；将感知的风场信息通过长短期记忆神经网络层后结合深度对抗循环Q神经网络，建立输出动作决策的智能决策模型，使智能体拥有全局的记忆性，智能决策模型可在时序决策中获得策略；S2、设计智能决策系统框架，融合无人飞艇的状态信息与风场信息；S3、建立无人飞艇飞行仿真环境，包括风场生成模型和无人飞艇状态变化模型，并设置相应的奖励机制使智能体在与环境交互中获得实时反馈；S4、根据步骤S3得到的仿真环境中，利用强化学习思想开展模型训练，通过最大化价值函数使无人飞艇在与环境的交互中学习策略，最大化价值函数的计算公式如下： ；其中，为衰减因子，为当前时刻决策的奖励，为智能决策模型当前时刻的输入，为当前时刻的无人飞艇动作决策输出，为智能决策模型下一时刻的输入，为下一时刻的无人飞艇动作决策输出，表示对所有可能产生的的期望；然后用实际风场数据对于是否完成目标进行测试，对测试的结果进行智能决策的性能评估。2.根据权利要求1所述的一种基于气象数据的无人飞艇智能飞行规划方法，其特征在于，步骤S1中，设计用来感知风场信息的深度神经网络模型包括：利用卷积神经网络提取当前时刻的风场信息特征，再利用全连接层神经网络整合风场与状态信息；设计智能决策模型包括：基于深度对抗循环Q神经网络构建，以融合的风场、状态异构信息为输入，利用长短期记忆神经网络处理序列决策问题，感受融合信息的变化趋势，使智能决策模型具备记忆功能，通过序列数据预判融合数据变化趋势。3.根据权利要求1所述的一种基于气象数据的无人飞艇智能飞行规划方法，其特征在于，步骤S2中，设计智能决策系统框架具体包括：任务决策过程为马尔科夫决策过程，基于无人飞艇状态、任务和环境复合信息，决策无人飞艇动作融...
【专利技术属性】
技术研发人员：安琦，
申请(专利权)人：临舟宁波科技有限公司，
类型：发明
国别省市：
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。