【技术实现步骤摘要】
本专利技术涉及机器学习和导航，更具体地说，特别涉及一种基于深度学习的无人机导航姿态预测和运动补偿方法。
技术介绍
1、随着科技的快速发展，无人机已经在多个领域展现出其独特的价值，如航拍、环境监测、物流运输、农业作业等。然而，无人机的自主导航能力仍然是其广泛应用的关键技术之一。在复杂的飞行环境中，如强风、气流扰动、机械振动等，无人机的姿态稳定性会受到严重影响，进而影响其导航精度和作业效率。
2、传统的无人机导航姿态预测方法多基于物理模型和传感器数据融合，虽然取得了一定的效果，但在面对复杂多变的环境时，其预测精度和鲁棒性往往难以满足实际需求。近年来，深度学习技术的快速发展为无人机导航姿态预测提供了新的思路。深度学习模型能够自动从大量数据中学习复杂的非线性映射关系，对复杂环境具有较强的适应能力。
3、在无人机导航姿态预测中，深度学习模型可以通过学习历史姿态数据和传感器数据，预测未来的姿态变化。这种预测方法不仅可以提高无人机在复杂环境下的导航精度，还可以为后续的运动补偿提供准确的信息。同时，运动补偿技术也是无人机导航中不可或缺的一环。通过对无人机姿态的实时调整，可以抵消外部环境对无人机飞行的影响，进一步提高其稳定性和作业效率。
4、然而，将深度学习技术应用于无人机导航姿态预测与运动补偿也面临着一些挑战。首先，如何选择合适的深度学习模型并设计合理的网络结构是一个关键问题。不同的模型和网络结构对数据的处理能力和预测精度有着显著的影响。其次，如何获取足够的高质量数据来训练深度学习模型也是一个需要解决的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的无人机导航姿态预测和运动补偿方法及系统，以克服现有技术所存在的缺陷。
2、为了达到上述目的，本专利技术采用的技术方案如下：
3、一种基于深度学习的无人机导航姿态预测和运动补偿方法，包括以下步骤：
4、s1、采集无人机飞行过程中的姿态数据和环境数据，并对采集到的数据进行预处理；
5、s2、基于预处理后的数据构建姿态预测模型；
6、s3、根据所述姿态预测模型的输出结果计算误差，以调整无人机的飞行参数，并通过pid算法以使无人机保持稳定的飞行姿态和轨迹；
7、s4、在无人机飞行过程中将实时采集的姿态数据和环境数据输入到姿态预测模型中，以获取最新的预测结果，并根据最新的预测结果实时调整无人机的飞行参数，并通过反馈机制不断优化姿态预测模型和运动补偿策略。
8、进一步地，所述步骤s1中的姿态数据包括姿态角、速度、加速度、高度，所述环境数据包括风速、风向、气压；
9、对采集到的数据进行预处理为采用格拉姆角场进行二维化操作，具体包括：
10、首先、把时序数据规范化到区间[-1，1]，设定时序数据为，规范化后的值记为；规范化后格拉姆矩阵为：；
11、式中，表示向量i与向量j之间的夹角；
12、其次、将规范化后的值转化为极坐标：；
13、式中，代表了点的时间戳，n是时序数据中所包含的所有时间点的个数。
14、进一步地，所述步骤s2具体包括：选择一深度学习框架，利用卷积神经网络和双向的长短期记忆网络并结合注意力机制构建姿态预测模型；
15、卷积神经网络层，用于提取输入数据中的空间特征，卷积神经网络层通过格拉姆角场将文本转换为二维矩阵，并使用多个卷积核对文本进行卷积操作，以提取出文本的不同特征；
16、双向长短时记忆网络，用于捕捉文本中的上下文依赖关系；
17、注意力机制，用于对不同位置的特征赋予不同的权重，通过计算特征的重要性权重，并根据权重对特征进行加权求和；
18、全连接层，根据权重对特征进行加权求和，对最终特征表示进行计算，输出预测结果；
19、姿态预测模型的训练过程包括：
20、设置参数，设置模型的超参数，超参数包括卷积核大小、数量，双向长短时记忆网络的层数和单元数，学习率；
21、前向传播，将输入数据输入模型，通过卷积神经网络层、双向长短时记忆网络和注意力机制进行前向传播，得到输出；
22、计算损失，选择损失函数，计算模型输出与真实标签之间的损失；
23、反向传播和优化，根据损失函数计算梯度，使用优化器更新模型的权重；
24、迭代训练，重复进行前向传播、计算损失、反向传播和优化步骤，直到模型在验证集上的性能达到预设的停止条件；
25、保存模型，保存训练好的模型权重和参数。
26、进一步地，所述步骤s3中pid控制算法由比例控制p、积分控制i和微分控制d三个控制要素组成，比例控制p根据当前误差值与目标值之间的比例关系来调整控制量；积分控制i对误差进行积分，微分控制d根据误差的变化率来调整控制量。
27、进一步地，所述步骤s3的具体计算公式为：
28、；
29、；
30、式中，，t为采样周期，k为采样序号，和为前两个时刻的误差数据。
31、本专利技术还提供一种用于实现上述基于深度学习的无人机导航姿态预测和运动补偿方法的系统，包括：
32、数据采集模块，用于采集无人机飞行过程中的姿态数据和环境数据，并对采集到的数据进行预处理；
33、模型构建模块，用于基于预处理后的数据构建姿态预测模型；
34、pid控制模块，用于根据所述姿态预测模型的输出结果计算误差，以调整无人机的飞行参数，并通过pid算法以使无人机保持稳定的飞行姿态和轨迹；
35、优化和反馈模块，用于在无人机飞行过程中将实时采集的姿态数据和环境数据输入到姿态预测模型中，以获取最新的预测结果，并根据最新的预测结果实时调整无人机的飞行参数，并通过反馈机制不断优化姿态预测模型和运动补偿策略。
36、与现有技术相比，本专利技术的优点在于：本专利技术利用深度学习技术构建姿态预测模型，能够更准确地预测无人机未来的飞行姿态，提高无人机在复杂环境中的飞行稳定性和安全性。
37、本专利技术制定针对性的运动补偿策略，能够根据预测结果实时调整无人机的飞行参数，以应对各种复杂环境因素的干扰。
38、本专利技术通过实时调整与反馈机制，不断优化姿态预测模型和运动补偿策略，提高无人机导航系统的自适应能力和鲁棒性。
本文档来自技高网...【技术保护点】
1.基于深度学习的无人机导航姿态预测和运动补偿方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的无人机导航姿态预测和运动补偿方法，其特征在于，所述步骤S1中的姿态数据包括姿态角、速度、加速度、高度，所述环境数据包括风速、风向、气压；
3.根据权利要求1所述的基于深度学习的无人机导航姿态预测和运动补偿方法，其特征在于，所述步骤S2具体包括：选择一深度学习框架，利用卷积神经网络和双向的长短期记忆网络并结合注意力机制构建姿态预测模型；
4.根据权利要求1所述的基于深度学习的无人机导航姿态预测和运动补偿方法，其特征在于，所述步骤S3中PID控制算法由比例控制P、积分控制I和微分控制D三个控制要素组成，比例控制P根据当前误差值与目标值之间的比例关系来调整控制量；积分控制I对误差进行积分，微分控制D根据误差的变化率来调整控制量。
5.根据权利要求4所述的基于深度学习的无人机导航姿态预测和运动补偿方法，其特征在于，所述步骤S3的具体计算公式为：
6.一种用于实现权利要求1-5任意一项所述基于深度学习的无人机导航姿
...【技术特征摘要】
1.基于深度学习的无人机导航姿态预测和运动补偿方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的无人机导航姿态预测和运动补偿方法，其特征在于，所述步骤s1中的姿态数据包括姿态角、速度、加速度、高度，所述环境数据包括风速、风向、气压；
3.根据权利要求1所述的基于深度学习的无人机导航姿态预测和运动补偿方法，其特征在于，所述步骤s2具体包括：选择一深度学习框架，利用卷积神经网络和双向的长短期记忆网络并结合注意力机制构建姿态预测模型；
4.根据权利要求1所述的基于...
【专利技术属性】
技术研发人员：张国柱，苏畅，余东峰，罗敏，王孝辉，潘芳香，袁宏成，成葵交，吴礼杰，马华东，张羽，
申请(专利权)人：湖南跨线桥航天科技有限公司，
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。