CN110879602B - 基于深度学习的无人机控制律参数调节方法及*** - Google Patents
基于深度学习的无人机控制律参数调节方法及*** Download PDFInfo
- Publication number
- CN110879602B CN110879602B CN201911242288.2A CN201911242288A CN110879602B CN 110879602 B CN110879602 B CN 110879602B CN 201911242288 A CN201911242288 A CN 201911242288A CN 110879602 B CN110879602 B CN 110879602B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- deep learning
- control law
- flight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 40
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000003750 conditioning effect Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于深度学习的无人机控制律参数调节方法及***。所述***包括深度学习训练子***和深度学习应用子***。深度学习训练子***包括无人机数据采集单元和深度学习训练单元。深度学习应用子***包括深度学习运算单元和PID控制单元,深度学习运算单元包括经深度学习训练单元训练后的深度学习网络模型,深度学习网络模型接收无人机飞行状态参数数据,输出无人机的控制律参数偏移值,并作为PID控制单元的输入。本发明使飞行控制更加稳定、精度更高。本发明可以快速的使无人机飞行控制数据补偿到最优控制律参数特征值,避免无人机在长期服役下因自身局部结构磨损或变形,使无人机的实际飞行姿态偏离控制参数所能达到的姿态。
Description
技术领域
本发明涉及自动控制领域,具体涉及一种基于深度学习的无人机控制律参数调节方法及***。
背景技术
随着人们对无人机的应用越来越广泛,对无人机的服役期累计作业时长的要求越来越高,目前很多无人机的控制***采用PID(比例、积分、微分)控制方法,尤其对于多旋翼无人机由各螺旋桨产生的升力控制着无人机的飞行状态,通过各个电机相互配合达到无人机升降、转向功能,所以电机转速调节功能要具有抗干扰能力,当无人机长期服役后因自身的机械磨损或应力改变使原有控制律参数不能准确的控制各电机相应部件,致使无人机的飞行性能下降。PID控制方法应用在无人机控制***上,各项参数均需要有经验丰富的工程师经过大量的实验才能较准确地赋值,且对于无人机自身的机械磨损或应力改变产生的偏差不能及时准确的调整,因此需要设计一种稳定可靠的方法及***,来实时调整控制参数,以保证无人机飞行有持续的稳定性与控制精度。
发明内容
针对现有技术存在的缺陷,本发明提供了一种基于深度学习的无人机控制律参数调节方法及***。
为解决上述技术问题,本发明所采用的技术方案如下:
一种基于深度学习的无人机控制律参数调节***,包括深度学习训练子***和深度学习应用子***。
所述深度学习训练子***,包括无人机数据采集单元和深度学习训练单元。所述无人机数据采集单元,采集无人机飞行状态参数信息,所述无人机飞行状态参数信息包括飞行姿态信息、速度、加速度、角速度、位置、机载设备、传感器的状态及传感器数据。
所述深度学习训练单元,接收无人机数据采集单元采集的无人机飞行状态参数信息并进行训练形成深度学习网络模型。
所述深度学习应用子***,包括深度学习运算单元和PID控制单元,所述深度学习运算单元,包括经深度学习训练单元训练后的深度学习网络模型,深度学习网络模型接收无人机飞行状态参数数据,输出无人机的控制律参数偏移值,并作为PID控制单元的输入。
所述PID控制单元,是以比例、积分、微分调节为框架的无人机姿态控制单元,在无人机飞行过程的不同阶段,根据深度学习运算单元输出的控制律参数偏移值的变化,实时改变PID控制单元的输入参数,调整无人机的飞行姿态。
对应的一种基于深度学习的无人机控制律参数调节方法,步骤如下:
S1,构建无人机深度学习飞行数据库。
所述无人机深度学习飞行数据库,包括PID最优控制律参数对应的无人机飞行数据和以最优控制律参数为中心调节PID控制单元控制律参数获得的无人机飞行数据。
本发明所述飞行数据包括俯仰角、滚转角、偏航角、各轴向角速度、各轴向速度、各轴向加速度及坐标位置。
S1.1,获得PID最优控制律参数对应的无人机飞行数据,此数据是经过实践验证的无人机飞行可达到最优稳定状态。
S1.2,以最优控制律参数为中心调节PID控制单元控制律参数获得的无人机飞行数据。
具体为:S1.2.1,设定PID控制单元的控制律参数的调节方式;
PID控制单元的控制律参数的调节方式有三种,一种是比例、积分、微分仅调节一个,其余两个不变;一种是任意调节比例、积分、微分中的两个,其余一个不变;一种是比例、积分、微分同时调节。
PID控制律参数的调整方式是以最优控制律参数为中心,按照各参数的意义向最优控制律参数两侧逐步调整并采集无人机飞行数据。
S1.2.2,按调节方式逐一调节PID控制单元的参数,每次调节时都获得以参数调节内容为标签无人机飞行数据,每次采集数据时间是以无人机飞行一个经典架次为准,即稳定飞行10分钟,而且每调节一次控制律参数均重新进行无人机飞行数据的采集,包括俯仰角、滚转角、偏航角、各轴向角速度、各轴向速度、各轴向加速度及坐标位置等,并以参数调节内容做数据的标签,最终获取带有标签的无人机飞行数据样本库。
S1.3,结合步骤S1.1和步骤S1.2得到带标签的无人机深度学习飞行数据库。
S2,构建并训练深度学习网络模型。
S2.1,构建深度学习网络模型;
所述深度学习网络模型,是带有标签的无人机飞行数据为影响因子的多层神经网络卷积模型;
S2.2,训练深度学习网络模型;
S2.2.1,将步骤S1中采集到的无人机飞行数据输入到多层神经网络卷积模型中进行训练;
S2.2.2,采用梯度下降法最小化残差函数,提取多层神经网络卷积模型的参数特征;
通过多级卷积层、池化层提取多级参数特征;
梯度下降法最小化残差函数是判断无人机飞行数据中影响权重的因子及确定深度学习网络内部参数调整方向,使深度学习网络输出的结果向能使无人机飞行控制***更加稳定的方向逼近,而无人机飞行姿态稳定的姿态角条件是俯仰角、滚转角、偏航角与已知的最优控制律参数对应的无人机飞行姿态角最接近,对应的偏差最小。
S2.2.3,根据步骤S2.2.2对多层神经网络卷积模型中各个权重参数逐层调节,得到训练后的深度学习网络模型;
在本发明中训练深度学习模型选用Tensorflow框架,为无人机飞行控制所采集的数据如:俯仰角、滚转角、偏航角,各轴向角速度、加速度及速度在框架内选择相应的卷积和池化因子,由Tensorflow进行循环迭代式训练和评估,最终得到各控制律参数相对于最优控制律参数的偏移值。
并且所述偏移值包括相同控制律参数下因无人机服役时间长而使机械部件磨损产生性能偏离最优状态的偏差及无人机自身应力导致的偏差。
S3,检验深度学习网络模型;
将步骤S1中未进行过训练的带有标签的无人机飞行数据输入到步骤S2搭建的深度学习网络模型,学习出无人机当前飞行控制律参数相对于最优控制律参数的偏移量;并将学到的偏移量与标准差进行比较,若学到的偏移量相对于标准差不大于±5%的置信度高于90%,则表明检验通过,否则,重复步骤S2直至检验通过。
S4,采集无人机的实时飞行数据。无人机在执飞各种飞行任务时,实时采集新的无人机飞行数据,包括俯仰角、滚转角、偏航角,各轴向角速度、加速度、速度及位置。
S5,将采集的无人机的实时飞行数据输入到检验后的深度学习网络模型,得到相对于最优控制律参数的偏移量;
S6,PID控制单元根据步骤S5得到的偏移量对无人机控制律参数进行调节,使无人机获得最优飞行状态。
本发明在深度学习模型的训练中采集了无人机各种不同情况下控制飞行的数据,通过构建起的深度学习网络模型,融合不同飞行姿态,使得深度学习网络的模型更加完善,从而提高了PID控制对无人机飞行参数更优的调节,使得无人机的飞行***更加稳定,控制更加精确。
本发明的有益效果是:本发明利用深度学习网络的良好学习能力及监督学习的方式,让无人机飞行控制数据在深度学习模型里不断学习靠近无人机飞行控制最优控制律参数,从而使飞行控制更加稳定、精度更高,无人机持续性能更好。与传统的控制算法相比,本发明的深度学习模型训练完成后,可以快速的使无人机飞行控制数据补偿到最优控制律参数特征值,避免无人机在长期服役下因自身局部结构磨损或变形,使无人机的实际飞行姿态偏离控制参数所能达到的姿态,本发明能够更好更快的调整无人机飞行控制律参数恢复到无人机最优控制律参数,使无人机以稳定的姿态飞行。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需的附图作简单的介绍,显而易见的,下面描述中的附图仅仅是本发明的一部分实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明调节方法中深度学习网络模型的训练流程示意图。
图2是本发明调节方法中应用流程示意图。
图3是本发明调节***中训练***结构示意图。
图4是本发明调节***中应用***结构示意图。
具体实施方式
下面将结合本发明的实施例中的附图,对本发明的技术方案进行清楚、完善的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:一种基于深度学习的无人机控制律参数调节***,包括深度学习训练子***和深度学习应用子***。
所述深度学习训练子***,如图3所示,包括无人机数据采集单元和深度学习训练单元。所述无人机数据采集单元,采集无人机飞行状态参数信息,所述无人机飞行状态参数信息包括飞行姿态信息、速度、加速度、角速度、位置、机载设备、传感器的状态及传感器数据。
所述深度学习训练单元,接收无人机数据采集单元采集的无人机飞行状态参数信息并进行训练形成深度学习网络模型。
所述深度学习应用子***,如图4所示,包括深度学习运算单元和PID控制单元,所述深度学习运算单元,包括经深度学习训练单元训练后的深度学习网络模型,深度学习网络模型接收无人机飞行状态参数数据,输出无人机的控制律参数偏移值,并作为PID控制单元的输入。
所述PID控制单元,是以比例、积分、微分调节为框架的无人机姿态控制单元,在无人机飞行过程的不同阶段,根据深度学习运算单元输出的控制律参数偏移值的变化,实时改变PID控制单元的输入参数,调整无人机的飞行姿态。
实施例2:一种基于深度学习的无人机控制律参数调节方法,如图1和2所示,步骤如下:
S1,构建无人机深度学习飞行数据库。
所述无人机深度学习飞行数据库,包括PID最优控制律参数对应的无人机飞行数据和以最优控制律参数为中心调节PID控制单元控制律参数获得的无人机飞行数据。
本发明所述飞行数据包括俯仰角、滚转角、偏航角、各轴向角速度、各轴向速度、各轴向加速度及坐标位置。
S1.1,获得PID最优控制律参数对应的无人机飞行数据,此数据是经过实践验证的无人机飞行可达到最优稳定状态。
S1.2,以最优控制律参数为中心调节PID控制单元控制律参数获得的无人机飞行数据。
具体为:S1.2.1,设定PID控制单元的控制律参数的调节方式;
PID控制单元的控制律参数的调节方式有三种,一种是比例、积分、微分仅调节一个,其余两个不变;一种是任意调节比例、积分、微分中的两个,其余一个不变;一种是比例、积分、微分同时调节。
PID控制律参数的调整方式是以最优控制律参数为中心,按照各参数的意义向最优控制律参数两侧逐步调整并采集无人机飞行数据。
S1.2.2,按调节方式逐一调节PID控制单元的参数,每次调节时都获得以参数调节内容为标签无人机飞行数据,每次采集数据时间是以无人机飞行一个经典架次为准,即稳定飞行10分钟,而且每调节一次控制律参数均重新进行无人机飞行数据的采集,包括俯仰角、滚转角、偏航角、各轴向角速度、各轴向速度、各轴向加速度及坐标位置等,并以参数调节内容做数据的标签,最终获取带有标签的无人机飞行数据样本库。
S1.3,结合步骤S1.1和步骤S1.2得到带标签的无人机深度学习飞行数据库。
S2,构建并训练深度学习网络模型。
S2.1,构建深度学习网络模型;
所述深度学习网络模型,是带有标签的无人机飞行数据为影响因子的多层神经网络卷积模型;
S2.2,训练深度学习网络模型;
S2.2.1,将步骤S1中采集到的无人机飞行数据输入到多层神经网络卷积模型中进行训练;
S2.2.2,采用梯度下降法最小化残差函数,提取多层神经网络卷积模型的参数特征;本发明具体是通过多级卷积层、池化层提取多级参数特征。
梯度下降法最小化残差函数是判断无人机飞行数据中影响权重的因子及确定深度学习网络内部参数调整方向,使深度学习网络输出的结果向能使无人机飞行控制***更加稳定的方向逼近,而无人机飞行姿态稳定的姿态角条件是俯仰角、滚转角、偏航角与已知的最优控制律参数对应的无人机飞行姿态角最接近,对应的偏差最小。
S2.2.3,根据步骤S2.2.2对多层神经网络卷积模型中各个权重参数逐层调节,得到训练后的深度学习网络模型;
在本发明中训练深度学习模型选用Tensorflow框架,为无人机飞行控制所采集的数据如:俯仰角、滚转角、偏航角,各轴向角速度、加速度及速度在框架内选择相应的卷积和池化因子,由Tensorflow进行循环迭代式训练和评估,最终得到各控制律参数相对于最优控制律参数的偏移值。
并且所述偏移值包括相同控制律参数下因无人机服役时间长而使机械部件磨损产生性能偏离最优状态的偏差及无人机自身应力导致的偏差。
S3,检验深度学习网络模型;
将步骤S1中未进行过训练的带有标签的无人机飞行数据输入到步骤S2搭建的深度学习网络模型,学习出无人机当前飞行控制律参数相对于最优控制律参数的偏移量;并将学到的偏移量与标准差进行比较,若学到的偏移量相对于标准差不大于±5%的置信度高于90%,则表明检验通过,否则,重复步骤S2直至检验通过。
检验通过的深度学习网络模型,可以直接应用到无人机的控制***中,具体是:
S4,采集无人机的实时飞行数据。无人机在执飞各种飞行任务时,实时采集新的无人机飞行数据,包括俯仰角、滚转角、偏航角,各轴向角速度、加速度、速度及位置。
S5,将采集的无人机的实时飞行数据输入到检验后的深度学习网络模型,得到相对于最优控制律参数的偏移量;
S6,PID控制单元根据步骤S5得到的偏移量对无人机控制律参数进行调节,使无人机获得最优飞行状态。
Claims (6)
1.一种基于深度学习的无人机控制律参数调节***,其特征在于:包括深度学习训练子***和深度学习应用子***;所述深度学习训练子***,包括无人机数据采集单元和深度学习训练单元;所述无人机数据采集单元,采集无人机飞行状态参数信息;所述深度学习训练单元,接收无人机数据采集单元采集的无人机飞行状态参数信息并进行训练形成深度学习网络模型;所述深度学习网络模型,是带有标签的无人机飞行数据为影响因子的多层神经网络卷积模型;
所述深度学习应用子***,包括深度学习运算单元和PID控制单元,所述深度学习运算单元,包括经深度学习训练单元训练后的深度学习网络模型,深度学习网络模型接收无人机飞行状态参数数据,输出无人机的控制律参数偏移值,并与无人机飞行数据共同作为PID控制单元的输入;
所述PID控制单元,是以比例、积分、微分调节为框架的无人机姿态控制单元,在无人机飞行过程的不同阶段,根据深度学习运算单元输出的控制律参数偏移值的变化及无人机当前飞行数据,实时改变PID控制单元的输入参数,调整无人机的飞行姿态。
2.根据权利要求1所述的基于深度学习的无人机控制律参数调节***,其特征在于:所述无人机飞行状态参数信息包括飞行姿态信息、速度、加速度、角速度、位置、机载设备、传感器的状态及传感器数据。
3.一种基于深度学习的无人机控制律参数调节方法,其特征在于:步骤如下:
S1,构建无人机深度学习飞行数据库;所述无人机深度学习飞行数据库,包括PID最优控制律参数对应的无人机飞行数据和以最优控制律参数为中心调节PID控制单元控制律参数获得的无人机飞行数据;
S2,构建并训练深度学习网络模型;所述深度学习网络模型,是带有标签的无人机飞行数据为影响因子的多层神经网络卷积模型;
S3,检验深度学习网络模型;
S4,采集无人机的实时飞行数据;所述飞行数据包括俯仰角、滚转角、偏航角、各轴向角速度、各轴向速度、各轴向加速度及坐标位置;
S5,将采集的无人机实时飞行数据输入到检验后的深度学习网络模型,得到相对于最优控制律参数的偏移量;
S6,PID控制单元根据步骤S5得到的偏移量及当前无人机飞行数据对无人机控制律参数进行调节,使无人机获得最优飞行姿态。
4.根据权利要求3所述的基于深度学习的无人机控制律参数调节方法,其特征在于,在步骤S1中,具体步骤如下:
S1.1,获得PID最优控制律参数对应的无人机飞行数据;
S1.2,以最优控制律参数为中心调节PID控制单元控制律参数获得的无人机飞行数据;
S1.2.1,设定PID控制单元的控制律参数的调节方式;
PID控制单元的控制律参数的调节方式有三种,一种是比例、积分、微分仅调节一个,其余两个不变;一种是任意调节比例、积分、微分中的两个,其余一个不变;一种是比例、积分、微分同时调节;
S1.2.2,按调节方式逐一调节PID控制单元的参数,每次调节时都获得以参数调节内容为标签的无人机飞行数据;
S1.3,结合步骤S1.1和步骤S1.2得到带标签的无人机深度学习飞行数据库。
5.根据权利要求3所述的基于深度学习的无人机控制律参数调节方法,其特征在于,在步骤S2中,具体步骤如下:S2.1,构建深度学习网络模型;
所述深度学习网络模型,是带有标签的无人机飞行数据为影响因子的多层神经网络卷积模型;
S2.2,训练深度学习网络模型;
S2.2.1,将步骤S1中采集到的无人机飞行数据输入到多层神经网络卷积模型中进行训练;
S2.2.2,采用梯度下降法最小化残差函数,提取多层神经网络卷积模型的参数特征;
S2.2.3,根据步骤S2.2.2对多层神经网络卷积模型中各个权重参数逐层调节,得到训练后的深度学习网络模型。
6.根据权利要求5所述的基于深度学习的无人机控制律参数调节方法,其特征在于,在步骤3中,将步骤S1中未进行过训练的带有标签的无人机飞行数据输入到步骤S2搭建的深度学习网络模型,学习出无人机当前飞行控制律参数相对于最优控制律参数的偏移量;并将学到的偏移量与标准差进行比较,若学到的偏移量相对于标准差不大于±5%的置信度高于90%,则表明检验通过,否则,重复步骤S2直至检验通过。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911242288.2A CN110879602B (zh) | 2019-12-06 | 2019-12-06 | 基于深度学习的无人机控制律参数调节方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911242288.2A CN110879602B (zh) | 2019-12-06 | 2019-12-06 | 基于深度学习的无人机控制律参数调节方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110879602A CN110879602A (zh) | 2020-03-13 |
CN110879602B true CN110879602B (zh) | 2023-04-28 |
Family
ID=69730754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911242288.2A Active CN110879602B (zh) | 2019-12-06 | 2019-12-06 | 基于深度学习的无人机控制律参数调节方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879602B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485443B (zh) * | 2021-08-10 | 2023-12-22 | 北京北航天宇长鹰无人机科技有限公司 | 基于深度学习的无人机控制方法、存储介质及设备 |
CN116165880B (zh) * | 2023-04-23 | 2023-08-04 | 苏州海豚之星智能科技有限公司 | 遗传算法卷积神经网络的agv调速自动整定pid参数的方法 |
CN116741019A (zh) * | 2023-08-11 | 2023-09-12 | 成都飞航智云科技有限公司 | 一种基于ai的飞行模型训练方法、训练*** |
CN117930881B (zh) * | 2024-03-25 | 2024-06-07 | 成都锦城学院 | 一种基于深度学习的无人机控制方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107817820A (zh) * | 2017-10-16 | 2018-03-20 | 复旦大学 | 一种基于深度学习的无人机自主飞行控制方法与*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101813697B1 (ko) * | 2015-12-22 | 2017-12-29 | 한국항공대학교산학협력단 | 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법 |
CN107368091B (zh) * | 2017-08-02 | 2019-08-20 | 华南理工大学 | 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法 |
CN109409354B (zh) * | 2017-08-18 | 2021-09-21 | 深圳市道通智能航空技术股份有限公司 | 无人机智能跟随目标确定方法、无人机和遥控器 |
CN109933081A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 无人机避障方法、避障无人机以及无人机避障装置 |
CN108803668B (zh) * | 2018-06-22 | 2021-08-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种静态目标监测的智能巡检无人机吊舱*** |
-
2019
- 2019-12-06 CN CN201911242288.2A patent/CN110879602B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107817820A (zh) * | 2017-10-16 | 2018-03-20 | 复旦大学 | 一种基于深度学习的无人机自主飞行控制方法与*** |
Non-Patent Citations (1)
Title |
---|
董守田 ; 杨利红 ; 康成吉 ; 黄丹丹 ; 徐娜 ; .固定翼无人机姿态控制及仿真.东北农业大学学报.2015,第46卷(第09期),第92-97页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110879602A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110879602B (zh) | 基于深度学习的无人机控制律参数调节方法及*** | |
CN106774409B (zh) | 一种无人机的半自主仿地飞行***及其控制方法 | |
CN108196532B (zh) | 一种基于非线性自适应观测器的无人机纵向飞行控制***故障检测与分离方法 | |
US20130245879A1 (en) | Method and system for monitoring a structure | |
CN113988202B (zh) | 一种基于深度学习的机械臂异常振动检测方法 | |
US20100132446A1 (en) | Wind tunnel testing technique | |
CN102289714B (zh) | 一种基于行为模型的小型无人旋翼机自主起降控制方法 | |
CN114281093B (zh) | 一种基于无人机电力巡检的缺陷检测***及方法 | |
CN108100301B (zh) | 一种用于直升机模拟机客观测试的试飞数据处理方法 | |
CN113247302A (zh) | 用于监测vtol飞行器的状况的方法及*** | |
CN114398049A (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
CN113190036A (zh) | 一种基于lstm神经网络的无人机飞行轨迹预测方法 | |
CN103995529A (zh) | 一种旋翼飞行器机械安装故障在线诊断方法 | |
CN114004023A (zh) | 一种基于循环神经网络的飞行器气动参数辨识的方法 | |
US20200023994A1 (en) | Method and system for determining a descent profile | |
CN106970632B (zh) | 一种基于冠层涡旋稳态运动的旋翼无人机精准作业方法 | |
KR20220096658A (ko) | 비행시험 데이터를 이용한 6 자유도 비행 시뮬레이션 정확도 향상 방법 및 장치 | |
CN113110558B (zh) | 一种混合推进无人机需求功率预测方法 | |
CN113469082B (zh) | 一种基于迁移成分分析的卫星执行器故障检测方法 | |
Deiler | Evaluation of aircraft performance variation during daily flight operations | |
Ahsan et al. | Grey box modeling of lateral-directional dynamics of a uav through system identification | |
EP3683641A1 (en) | Methods for determining usage in fly-by-wire systems | |
CN117891280B (zh) | 一种无人机模拟飞行机动飞行控制方法 | |
CN116700358B (zh) | 一种无人机转弯阶段非线性定高补偿控制方法 | |
CN115221640B (zh) | 一种基于红外感应原理的航空舵翼智能全自动检验*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |