CN113253292B - 一种基于人工智能技术的无人机预警处理方法及*** - Google Patents
一种基于人工智能技术的无人机预警处理方法及*** Download PDFInfo
- Publication number
- CN113253292B CN113253292B CN202110543208.8A CN202110543208A CN113253292B CN 113253292 B CN113253292 B CN 113253292B CN 202110543208 A CN202110543208 A CN 202110543208A CN 113253292 B CN113253292 B CN 113253292B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- real
- flight
- replacement
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 241000251468 Actinopterygii Species 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 7
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Medical Informatics (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于人工智能技术的无人机预警处理方法及***,应用于无人机群飞***,无人机群飞***包括任务执行机群Pr、伴飞于任务执行机群Pr的替补无人机群Pt及预设数目个监控无人机Pj,方法包括:实时获取各监控无人机Pj上机载激光雷达拍的摄当前任务执行机群Pr及替补无人机群Pt的整体实时点云数据并进行处理获得并利用各任务执行机群Pr实时飞行状态模型获取每一任务执行机的实时飞行特征数据;计算各所述任务执行机的所述实时飞行特征数据与预设的飞行预测模型的中对应任务执行机的预设飞行特征数据的匹配度,当匹配度小于阈值时,将对应无人机标记为故障无人机;调遣替补无人机替补故障无人机。
Description
技术领域
本发明涉飞行安全预测预警领域,尤其涉及一种基于人工智能技术的无人机预警处理方法及***。
背景技术
无人机尤其是4轴无人机近些年的应用较为广泛,在无人机批量使用时,控制无人机机群在空中进行飞行,现有技术通过每架飞机上的机载GPS和无线网络模块实时向控制器回传各飞机的飞行状态来对群飞无人机进行监控和控制,易造成网络拥堵,导致群飞无人机集体失控的情况发生。
发明内容
为实现上述目的,本发明提供一种基于人工智能技术的无人机预警处理方法,应用于无人机群飞***,所述无人机群飞***包括任务执行机群Pr、伴飞于所述任务执行机群Pr的替补无人机群Pt及预设数目个监控无人机Pj,所述监控无人机Pj伴飞于所述任务执行机群Pr的上方,所述方法包括如下步骤:
实时获取各监控无人机Pj上机载激光雷达拍摄的当前所述任务执行机群Pr及所述替补无人机群Pt的整体实时点云数据;
对实时点云数据按照预设方式进行处理获得各所述任务执行机群Pr的实时飞行状态模型;
利用所述实时飞行状态模型获取每一所述任务执行机的实时飞行特征数据;
计算各所述任务执行机的所述实时飞行特征数据与预设的飞行预测模型的中对应任务执行机的预设飞行特征数据的匹配度,当匹配度小于阈值时,将对应无人机标记为故障无人机;
调遣替补无人机群Pt中的与故障无人机个数对应数目的替补无人机Pt至所述故障无人机位置并撤回故障无人机。
优选的,所述对实时点云数据按照预设方式进行处理获得各所述任务执行机群Pr的实时飞行状态模型的方法包括:
利用K-means聚类分析方法对所述整体实时点云数据进行聚类获得任务执行机群Pr和替补无人机群Pt总数个聚类点云数据,每一聚类点云数据作为对应的无人机的实时飞行状态模型。
优选的,所述利用所述实时飞行状态模型获取每一所述任务执行机的实时飞行特征数据包括如下步骤:
对每一所述任务执行机的实时飞行状态模型进行降噪处理;
根据经降噪处理后的每一所述任务执行机对应的所述实时飞行状态模型获取每一所述任务执行机的相对于监控无人机Pj的参考点的三维重心坐标;
对所述三维重心坐标添加当前时间标签后作为所述实时飞行特征数据。
优选的,所述调遣替补无人机群Pt中的与异常无人机个数对应数目的替补无人机至所述异常无人机位置并撤回故障无人机包括如下步骤:
获取所述异常无人机的当前位置;
根据所述当前位置及所述对应无人机的任务模型利用人工鱼群算法生成替换路径;
根据所述替换路径控制所述故障无人机和替换无人机交换位置。
优选的,所述根据所述替换路径控制所述故障无人机和替换无人机交换位置包括如下步骤:
计算所述替换路径中的各点中距离其他位置均为最远的点作为替换点,在所述替换点附近段用第一子路线替换作为撤离路径,在所述替换点附近段用第二子路线替换作为替补路径。
优选的,所述飞行预测模型的生成法包括如下步骤:
利用激光雷达搜集各无人机的点云数据,对点云数据进行标注处理获得每一无人机的特征点数据;
根据无人机的飞行任务方案生成无人机的飞行路径的时间函数Fi(A0,t),其中i代表无人机的身份标签、(A0,t)代表无人机质心第t时刻的空间坐标;
根据所述时间函数Fi(A0,t)对每一无人机的特征点数据处理生成各无人机的飞行预测模型Fi(An,t),其中所述i为飞机编号类型,(An,t)为t时刻无人机i中第n特征点的坐标参数。
优选的,所述匹配度的计算方法包括如下步骤:
计算任务无人机中第t时刻中各特征点与控制无人机参考点连线的空间向量和飞行预测模型中该时刻的连线的空间向量/>;
计算t时刻每一任务无人机各特征点的空间向量和对应空间向量/>的空间夹角的余弦值;
将每一任务无人机各特征点的所述余弦值求取平均值,作为该一任务无人机的匹配度,所述匹配度的范围为(0,1)。
本发明还提供一种应用于无人机群飞***,一种无人机飞行预警***,包括:任务执行机群、伴飞于所述任务执行机群的替补无人机群Pt及预设数目的监控无人机Pj,所述监控无人机Pj伴飞于所述任务执行机群的上方,所述监控无人机Pj包括:
数据采集模块,用以实时获取各监控无人机Pj上机载激光雷达拍摄的当前所述任务执行机群Pr及所述替补无人机群Pt的整体实时点云数据;
数据分析模块,用以对实时点云数据按照预设方式进行处理获得各所述任务执行机群Pr的实时飞行状态模型;
特征提取模块,用于利用所述实时飞行状态模型获取每一所述任务执行机的实时飞行特征数据;
匹配度计算模块,用于计算各所述任务执行机的所述实时飞行特征数据与预设的飞行预测模型的中对应任务执行机的预设飞行特征数据的匹配度,当匹配度小于阈值时,将对应无人机标记为故障无人机;
调遣控制模块,用于调遣替补无人机群Pt中的与故障无人机个数对应数目的替补无人机Pt至所述故障无人机位置并撤回故障无人机。
本发明提出的基于人工智能技术的无人机预警处理方法及***,所述方法通过监控无人机上设置的激光雷达获取任务无人机的实时飞行点云数据并转换为实时飞行特征参数,在任务无人机实时飞行参数与预测模型相应参数的相似度小于阈值时标记该任务无人机为故障无人机并调遣伴飞的故障无人机替换故障无人机,解决了通过无人机飞行信号能够降低群飞无人机飞行的通讯压力,减小网络拥堵情况的发生,且在故障发生后能够及时完成故障修复,提高了群飞无人机圆满完成任务的可靠性。
附图说明
图1为本发明实施例的一流程示意图。
图2为本发明实施例的***图。
具体实施方式
以下结合具体实施方式对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。除非另有定义,本文所使用的所有的技术和科学术语均属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
无人机尤其是4轴无人机近些年的应用较为广泛,在无人机批量使用时,控制无人机机群在空中进行飞行,现有技术通过每架飞机上的机载GPS和无线网络模块实时向控制器回传各飞机的飞行状态来对群飞无人机进行监控和控制,易造成网络拥堵,导致群飞无人机集体失控的情况发生。
为了实现上述目的,本发明实施例提供一种基于人工智能技术的无人机预警处理方法具体如下:
本发明实施例中,如图1所示,所述基于人工智能技术的无人机预警处理方法包括如下步骤:
实时获取各监控无人机Pj上机载激光雷达拍摄的当前所述任务执行机群Pr及所述替补无人机群Pt的整体实时点云数据。
本步骤中,所述监控无人机上设置有于各任务执行机的通讯模块,监控无人机通孔机载通讯模块向各任务执行机及各伴飞无人机发送飞行控制指令,所述飞行控制指令包括控制飞机的姿态及飞行速度等。所述监控无人机Pj可设置一个或多个,每个监控无人机上安装有激光雷达,各激光雷达对各任务无人机和替补无人机整体实时进行扫描获得实时实时点云数据。需要说明的是,当所述监控无人机设置有多个时,可预先将部分无人机标记为参考点无人机,例如在无人机上安装圆形导光片,多个监控无人机采集的实时点云数据可通过神经网络算法对所述参考点无人机上的参考标识进行识别,后对不同监控无人机拍摄的点云数据进行对齐处理。
对实时点云数据按照预设方式进行处理获得各所述任务执行机群Pr的实时飞行状态模型。
本步骤中,所述实时飞行状态模型可以表征任务执行机群每一无人机当前位置的点云相对于监控无人机相对空间坐标。
利用所述实时飞行状态模型获取每一所述任务执行机的实时飞行特征数据。
本步骤中,所述实时飞行特征数据可以包括所述实时飞行状态模型中特征点相对于监控无人机的空间坐标组成的特征向量。
计算各所述任务执行机的所述实时飞行特征数据与预设的飞行预测模型的中对应任务执行机的预设飞行特征数据的匹配度,当匹配度小于阈值时,将对应无人机标记为故障无人机。
本步骤中,所述飞行特征匹配度可以实时运算,为了减小监控无人机的运算压力,所述匹配度也可每隔一定时间运算一次,如每隔1s计算一次。
调遣替补无人机群Pt中的与故障无人机个数对应数目的替补无人机Pt至所述故障无人机位置并撤回故障无人机。
本步骤中,所述调遣为,监控无人机规划调遣路径,并向替补无人机下发飞行指令,以供替补飞行无人机按照飞行指令航行至故障无人机待替换位置,所述撤回故障无人机的方法也可类似设置。
本发明提出的基于人工智能技术的无人机预警处理方法,通过监控无人机上设置的激光雷达获取任务无人机的实时飞行点云数据并转换为实时飞行特征参数,在任务无人机实时飞行参数与预测模型相应参数的相似度小于阈值时标记该任务无人机为故障无人机并调遣伴飞的故障无人机替换故障无人机,解决了通过无人机飞行信号能够降低群飞无人机飞行的通讯压力,减小网络拥堵情况的发生,且在故障发生后能够及时完成故障修复,提高了群飞无人机圆满完成任务的可靠性。
具体地,在本发明的实施例中,所述对实时点云数据按照预设方式进行处理获得各所述任务执行机群Pr的实时飞行状态模型的方法包括:
利用K-means聚类分析方法对所述整体实时点云数据进行聚类获得任务执行机群Pr和替补无人机群Pt总数个聚类点云数据,每一聚类点云数据作为对应的无人机的实时飞行状态模型。
所述K-means聚类分析方法是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。
优选的,所述利用所述实时飞行状态模型获取每一所述任务执行机的实时飞行特征数据包括如下步骤:
对每一所述任务执行机的实时飞行状态模型进行降噪处理。
所述降噪处理可以为基于点云频率的滤波方法,例如DoN算法。
根据经降噪处理后的每一所述任务执行机对应的所述实时飞行状态模型获取每一所述任务执行机的相对于监控无人机Pj的参考点的三维重心坐标。
对所述三维重心坐标添加当前时间标签后作为所述实时飞行特征数据。
优选的,所述调遣替补无人机群Pt中的与异常无人机个数对应数目的替补无人机至所述异常无人机位置并撤回故障无人机包括如下步骤:
获取所述异常无人机的当前位置;
根据所述当前位置及所述对应无人机的任务模型利用人工鱼群算法生成替换路径;
根据所述替换路径控制所述故障无人机和替换无人机交换位置。
优选的,所述根据所述替换路径控制所述故障无人机和替换无人机交换位置包括如下步骤:
计算所述替换路径中的各点中距离其他位置均为最远的点作为替换点,在所述替换点附近段用第一子路线替换作为撤离路径,在所述替换点附近段用第二子路线替换作为替补路径。
优选的,所述飞行预测模型的生成法包括如下步骤:
利用激光雷达搜集各无人机的点云数据,对点云数据进行标注处理获得每一无人机的特征点数据;
根据无人机的飞行任务方案生成无人机的飞行路径的时间函数Fi(A0,t),其中i代表无人机的身份标签、(A0,t)代表无人机质心第t时刻的空间坐标;
根据所述时间函数Fi(A0,t)对每一无人机的特征点数据处理生成各无人机的飞行预测模型Fi(An,t),其中所述i为飞机编号类型,(An,t)为t时刻无人机i中第n特征点的坐标参数。
优选的,所述匹配度的计算方法包括如下步骤:
计算任务无人机中第t时刻中各特征点与控制无人机参考点连线的空间向量和飞行预测模型中该时刻的连线的空间向量/>
计算t时刻每一任务无人机各特征点的空间向量和对应空间向量/>的空间夹角的余弦值;
将每一任务无人机各特征点的所述余弦值求取平均值,作为该一任务无人机的匹配度,所述匹配度的范围为(0,1)。
本发明还提供一种应用于无人机群飞***,一种无人机飞行预警***,包括:任务执行机群、伴飞于所述任务执行机群的替补无人机群Pt及预设数目的监控无人机Pj,所述监控无人机Pj伴飞于所述任务执行机群的上方,所述监控无人机Pj包括:
数据采集模块,用以实时获取各监控无人机Pj上机载激光雷达拍摄的当前所述任务执行机群Pr及所述替补无人机群Pt的整体实时点云数据。
所述监控无人机上设置有于各任务执行机的通讯模块,监控无人机通孔机载通讯模块向各任务执行机及各伴飞无人机发送飞行控制指令,所述飞行控制指令包括控制飞机的姿态及飞行速度等。所述监控无人机Pj可设置一个或多个,每个监控无人机上安装有激光雷达,各激光雷达对各任务无人机和替补无人机整体实时进行扫描获得实时实时点云数据。需要说明的是,当所述监控无人机设置有多个时,可预先将部分无人机标记为参考点无人机,例如在无人机上安装圆形导光片,多个监控无人机采集的实时点云数据可通过神经网络算法对所述参考点无人机上的参考标识进行识别,后对不同监控无人机拍摄的点云数据进行对齐处理。
数据分析模块,用以对实时点云数据按照预设方式进行处理获得各所述任务执行机群Pr的实时飞行状态模型。
特征提取模块,用于利用所述实时飞行状态模型获取每一所述任务执行机的实时飞行特征数据。
匹配度计算模块,用于计算各所述任务执行机的所述实时飞行特征数据与预设的飞行预测模型的中对应任务执行机的预设飞行特征数据的匹配度,当匹配度小于阈值时,将对应无人机标记为故障无人机。
调遣控制模块,用于调遣替补无人机群Pt中的与故障无人机个数对应数目的替补无人机Pt至所述故障无人机位置并撤回故障无人机。
本发明提出的基于人工智能技术的无人机预警处理方法,通过监控无人机上设置的激光雷达获取任务无人机的实时飞行点云数据并转换为实时飞行特征参数,在任务无人机实时飞行参数与预测模型相应参数的相似度小于阈值时标记该任务无人机为故障无人机并调遣伴飞的故障无人机替换故障无人机,解决了通过无人机飞行信号能够降低群飞无人机飞行的通讯压力,减小网络拥堵情况的发生,且在故障发生后能够及时完成故障修复,提高了群飞无人机圆满完成任务的可靠性。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于人工智能技术的无人机预警处理方法,应用于无人机群飞***,所述无人机群飞***包括任务执行机群Pr、伴飞于所述任务执行机群Pr的替补无人机群Pt及预设数目个监控无人机Pj,所述监控无人机Pj伴飞于所述任务执行机群Pr的上方,其特征在于,所述方法包括如下步骤:
实时获取各监控无人机Pj上机载激光雷达拍摄的当前所述任务执行机群Pr及所述替补无人机群Pt的整体实时点云数据;
对实时点云数据按照预设方式进行处理获得各所述任务执行机群Pr的实时飞行状态模型;
利用所述实时飞行状态模型获取每一所述任务执行机的实时飞行特征数据;
计算各所述任务执行机的所述实时飞行特征数据与预设的飞行预测模型的中对应任务执行机的预设飞行特征数据的匹配度,当匹配度小于阈值时,将对应无人机标记为故障无人机;
调遣替补无人机群Pt中的与故障无人机个数对应数目的替补无人机Pt至所述故障无人机位置并撤回故障无人机;
所述对实时点云数据按照预设方式进行处理获得各所述任务执行机群Pr的实时飞行状态模型的方法包括:
利用K-means聚类分析方法对所述整体实时点云数据进行聚类,获得任务执行机群Pr和替补无人机群Pt总数个聚类点云数据,每一聚类点云数据作为对应的无人机的实时飞行状态模型。
2.根据权利要求1所述的基于人工智能技术的无人机预警处理方法,其特征在于,所述利用所述实时飞行状态模型获取每一所述任务执行机的实时飞行特征数据包括如下步骤:
对每一所述任务执行机的实时飞行状态模型进行降噪处理;
根据经降噪处理后的每一所述任务执行机对应的所述实时飞行状态模型获取每一所述任务执行机的相对于监控无人机Pj的参考点的三维重心坐标;
对所述三维重心坐标添加当前时间标签后作为所述实时飞行特征数据。
3.根据权利要求1所述的基于人工智能技术的无人机预警处理方法,其特征在于,所述调遣替补无人机群Pt中的与异常无人机个数对应数目的替补无人机至所述异常无人机位置并撤回故障无人机包括如下步骤:
获取所述异常无人机的当前位置;
根据所述当前位置及所述对应无人机的任务模型利用人工鱼群算法生成替换路径;
根据所述替换路径控制所述故障无人机和替换无人机交换位置。
4.根据权利要求3所述的基于人工智能技术的无人机预警处理方法,其特征在于,所述根据所述替换路径控制所述故障无人机和替换无人机交换位置包括如下步骤:
计算所述替换路径中的各点中距离其他位置均为最远的点作为替换点,在所述替换点附近段用第一子路线替换作为撤离路径,在所述替换点附近段用第二子路线替换作为替补路径。
5.根据权利要求1所述的基于人工智能技术的无人机预警处理方法,其特征在于,所述飞行预测模型的生成法包括如下步骤:
利用激光雷达搜集各无人机的点云数据,对点云数据进行标注处理获得每一无人机的特征点数据;
根据无人机的飞行任务方案生成无人机的飞行路径的时间函数Fi(A0,t),其中i代表无人机的身份标签、(A0,t)代表无人机质心第t时刻的空间坐标;
根据所述时间函数Fi(A0,t)对每一无人机的特征点数据处理生成各无人机的飞行预测模型Fi(An,t),其中所述i为飞机编号类型,(An,t)为t时刻无人机i中第n特征点的坐标参数。
6.根据权利要求5所述的基于人工智能技术的无人机预警处理方法,其特征在于,所述匹配度的计算方法包括如下步骤:
计算任务无人机中第t时刻中各特征点与控制无人机参考点连线的空间向量和飞行预测模型中该时刻的连线的空间向量/>
计算t时刻每一任务无人机各特征点的空间向量和对应空间向量/>的空间夹角的余弦值;
将每一任务无人机各特征点的所述余弦值求取平均值,作为该一任务无人机的匹配度,所述匹配度的范围为(0,1)。
7.一种无人机飞行预警***,其特征在于包括:任务执行机群、伴飞于所述任务执行机群的替补无人机群Pt及预设数目的监控无人机Pj,所述监控无人机Pj伴飞于所述任务执行机群的上方,所述监控无人机Pj包括:
数据采集模块,用以实时获取各监控无人机Pj上机载激光雷达拍摄的当前所述任务执行机群Pr及所述替补无人机群Pt的整体实时点云数据;
数据分析模块,用以对实时点云数据按照预设方式进行处理获得各所述任务执行机群Pr的实时飞行状态模型;
特征提取模块,用于利用所述实时飞行状态模型获取每一所述任务执行机的实时飞行特征数据;
匹配度计算模块,用于计算各所述任务执行机的所述实时飞行特征数据与预设的飞行预测模型的中对应任务执行机的预设飞行特征数据的匹配度,当匹配度小于阈值时,将对应无人机标记为故障无人机;
调遣控制模块,用于调遣替补无人机群Pt中的与故障无人机个数对应数目的替补无人机Pt至所述故障无人机位置并撤回故障无人机;
所述数据分析模块,具体用于:
利用K-means聚类分析方法对所述整体实时点云数据进行聚类,获得任务执行机群Pr和替补无人机群Pt总数个聚类点云数据,每一聚类点云数据作为对应的无人机的实时飞行状态模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110543208.8A CN113253292B (zh) | 2021-05-17 | 2021-05-17 | 一种基于人工智能技术的无人机预警处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110543208.8A CN113253292B (zh) | 2021-05-17 | 2021-05-17 | 一种基于人工智能技术的无人机预警处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113253292A CN113253292A (zh) | 2021-08-13 |
CN113253292B true CN113253292B (zh) | 2024-02-09 |
Family
ID=77182662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110543208.8A Active CN113253292B (zh) | 2021-05-17 | 2021-05-17 | 一种基于人工智能技术的无人机预警处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113253292B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113514109A (zh) * | 2021-08-18 | 2021-10-19 | 广东新创华科环保股份有限公司 | 一种无人机飞行故障检测方法和*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645480A (zh) * | 2013-12-04 | 2014-03-19 | 北京理工大学 | 基于激光雷达和图像数据融合的地形地貌特征构建方法 |
JP2015191254A (ja) * | 2014-03-27 | 2015-11-02 | 日本電気株式会社 | 無人航空機、無人航空機の制御方法、および、管制システム |
WO2017177533A1 (zh) * | 2016-04-12 | 2017-10-19 | 深圳市龙云创新航空科技有限公司 | 基于激光雷达的微型无人机操控方法及*** |
CN109104237A (zh) * | 2018-09-07 | 2018-12-28 | 佛山皖和新能源科技有限公司 | 一种无人机集群飞行控制节点设定及管理方法 |
KR101963826B1 (ko) * | 2018-06-22 | 2019-03-29 | 전북대학교 산학협력단 | 무인비행체 군집비행에서의 비행안전 및 장애복구 시스템 및 그 방법 |
CN109709801A (zh) * | 2018-12-11 | 2019-05-03 | 智灵飞(北京)科技有限公司 | 一种基于激光雷达的室内无人机定位***及方法 |
CN110703803A (zh) * | 2019-11-06 | 2020-01-17 | 中国人民解放军国防科技大学 | 一种无人机群飞行控制的方法、无人机、***及介质 |
CN110996279A (zh) * | 2019-12-16 | 2020-04-10 | 东南大学 | 应用于无人机通信的多路并行传输数据调度方法与*** |
CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
CN111240365A (zh) * | 2020-03-12 | 2020-06-05 | 北京航空航天大学 | 带有指定性能的无人机编队自适应执行器故障补偿方法 |
CN111538255A (zh) * | 2020-06-19 | 2020-08-14 | 中国人民解放军国防科技大学 | 一种反蜂群无人机的飞行器控制方法及*** |
CN112000130A (zh) * | 2020-09-07 | 2020-11-27 | 哈尔滨工业大学 | 一种无人机的多机协同高精度建图定位*** |
KR102236753B1 (ko) * | 2020-10-29 | 2021-04-07 | 한국건설기술연구원 | 군집 rtk 드론들을 이용한 지상기준점 설정 방법 |
-
2021
- 2021-05-17 CN CN202110543208.8A patent/CN113253292B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103645480A (zh) * | 2013-12-04 | 2014-03-19 | 北京理工大学 | 基于激光雷达和图像数据融合的地形地貌特征构建方法 |
JP2015191254A (ja) * | 2014-03-27 | 2015-11-02 | 日本電気株式会社 | 無人航空機、無人航空機の制御方法、および、管制システム |
WO2017177533A1 (zh) * | 2016-04-12 | 2017-10-19 | 深圳市龙云创新航空科技有限公司 | 基于激光雷达的微型无人机操控方法及*** |
KR101963826B1 (ko) * | 2018-06-22 | 2019-03-29 | 전북대학교 산학협력단 | 무인비행체 군집비행에서의 비행안전 및 장애복구 시스템 및 그 방법 |
CN109104237A (zh) * | 2018-09-07 | 2018-12-28 | 佛山皖和新能源科技有限公司 | 一种无人机集群飞行控制节点设定及管理方法 |
CN109709801A (zh) * | 2018-12-11 | 2019-05-03 | 智灵飞(北京)科技有限公司 | 一种基于激光雷达的室内无人机定位***及方法 |
CN110703803A (zh) * | 2019-11-06 | 2020-01-17 | 中国人民解放军国防科技大学 | 一种无人机群飞行控制的方法、无人机、***及介质 |
CN110996279A (zh) * | 2019-12-16 | 2020-04-10 | 东南大学 | 应用于无人机通信的多路并行传输数据调度方法与*** |
CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
CN111240365A (zh) * | 2020-03-12 | 2020-06-05 | 北京航空航天大学 | 带有指定性能的无人机编队自适应执行器故障补偿方法 |
CN111538255A (zh) * | 2020-06-19 | 2020-08-14 | 中国人民解放军国防科技大学 | 一种反蜂群无人机的飞行器控制方法及*** |
CN112000130A (zh) * | 2020-09-07 | 2020-11-27 | 哈尔滨工业大学 | 一种无人机的多机协同高精度建图定位*** |
KR102236753B1 (ko) * | 2020-10-29 | 2021-04-07 | 한국건설기술연구원 | 군집 rtk 드론들을 이용한 지상기준점 설정 방법 |
Non-Patent Citations (1)
Title |
---|
无人机机载激光雷达提取果树单木树冠信息;陈日强等;《农业工程学报》;第36卷(第22期);第50-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113253292A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018005882A1 (en) | Unmanned aerial vehicle wind turbine inspection systems and methods | |
KR102170632B1 (ko) | 군집 시스템에서 실시간 이상 탐지 방법 및 장치 | |
WO2021168708A1 (zh) | 用于可移动平台的控制方法、可移动平台、设备和存储介质 | |
US8200605B2 (en) | Decision making unit for autonomous platform | |
CN107491087B (zh) | 一种基于碰撞锥的无人机编队避障优先级在线配置方法 | |
CN115187005B (zh) | 调度方法、装置、设备及存储介质 | |
CN111813148B (zh) | 一种无人机降落方法、***、设备和存储介质 | |
CN113253292B (zh) | 一种基于人工智能技术的无人机预警处理方法及*** | |
CN115755973A (zh) | 无人机低空域交通决策方法、装置、***与设备 | |
CN109782798A (zh) | 一种基于Boid模型的无人机群编队方法 | |
CN103279129B (zh) | 无人机群可视导航的量子控制方法及*** | |
CN114830204A (zh) | 通过神经网络来训练神经网络 | |
CN116627154A (zh) | 基于位姿预测和轨迹优化的无人机引导降落方法及无人机 | |
Silva et al. | Landing area recognition by image applied to an autonomous control landing of VTOL aircraft | |
WO2024067132A1 (zh) | 无人驾驶航空器飞行避障方法、***和可读存储介质 | |
CN109240319A (zh) | 用于控制无人机跟随的方法及装置 | |
CN117649785A (zh) | 一种无人机多运行人分布式协同冲突化解方法及*** | |
CN115790610B (zh) | 一种无人机精准定位***及方法 | |
Laurito et al. | Airborne localisation of small UAS using visual detection: A field experiment | |
CN113467504B (zh) | 一种飞行器飞行稳定控制方法、***、设备及存储介质 | |
CN114550107B (zh) | 基于无人机集群的桥梁联动智能巡检方法、***及云平台 | |
CN115562335A (zh) | 基于3d地图的无人驾驶航空器飞行控制方法、***和介质 | |
CN113485439B (zh) | 一种无人机停机路径管理方法及*** | |
US20230023544A1 (en) | Simulation architecture for safety testing of aircraft monitoring software | |
CN114510070A (zh) | 一种飞行器自动近地防撞最优控制方法 |
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 |