CN114510817B - 一种用于无人机滑翔路径规划的风场感知算法 - Google Patents

一种用于无人机滑翔路径规划的风场感知算法 Download PDF

Info

Publication number
CN114510817B
CN114510817B CN202111618168.5A CN202111618168A CN114510817B CN 114510817 B CN114510817 B CN 114510817B CN 202111618168 A CN202111618168 A CN 202111618168A CN 114510817 B CN114510817 B CN 114510817B
Authority
CN
China
Prior art keywords
data set
aerial vehicle
unmanned aerial
parameter
super
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
Application number
CN202111618168.5A
Other languages
English (en)
Other versions
CN114510817A (zh
Inventor
吕鹏
马耀陆
张振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Aerospace Aerodynamics CAAA
Original Assignee
China Academy of Aerospace Aerodynamics CAAA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Academy of Aerospace Aerodynamics CAAA filed Critical China Academy of Aerospace Aerodynamics CAAA
Priority to CN202111618168.5A priority Critical patent/CN114510817B/zh
Publication of CN114510817A publication Critical patent/CN114510817A/zh
Application granted granted Critical
Publication of CN114510817B publication Critical patent/CN114510817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明公布了一种用于无人机滑翔路径规划的风场感知算法，该用于无人机滑翔路径规划的风场感知算法包括：采集无人机飞行过程中不同位置和不同时刻的三维风速数据；获取训练数据集输入X和训练数据集观测值F；获取测试数据集输入X′，并确定预测模型的核函数k(x，t，x′，t′)；基于核函数k(x，t，x′，t′)确定预测模型，应用训练数据集输入X和训练数据集观测值F对预测模型进行训练；将测试数据集输入X′输入训练后的预测模型中，得到测试数据集中的风速期望值及方差本发明的风场感知算法提出了改进的核函数k(x，t，x′，t′)，在传统核函数中加入了时间变量，使预测模型具备了时间和空间上的风场预测能力。

Description

一种用于无人机滑翔路径规划的风场感知算法
技术领域
本发明属于航空航天技术领域，更具体地，涉及一种用于无人机滑翔路径规划的风场感知算法、电子设备及介质。
背景技术
随着无人机技术的不断发展，其在军民领域的应用日渐广泛。然而，无人机所能携带的动力能源有限，导致其不能有效执行长时间滞空类任务，限制了无人机的应用。
信天翁可以在海上进行长距离、长时间的无动力飞行，滑翔是其从风场中获取能量的主要手段。仿信天翁的无人机通过高效滑翔，能够长时间滞空，具有许多突出优势。包括：(1)时效性更快。具备持久驻留的能力，能够快速传递信息，准确实现指挥人员的行动意图，极大地节省时间。(2)生存性更强。具有目标小、无红外特征、无动力***噪声等优点。安全性高、生存性更强。(3)依赖性更小。成本低廉，对保障依赖度低，只需基本维护保养，即可长时间滞空执行任务。
仿信天翁的无人机滑翔技术快速发展，在一定程度上提升了现有无人机的续航性能。目前，无人机滑翔技术主要应用在已知风场环境中，在未知的风场中无法确保无人机进行高效安全的滑翔飞行。
因此，期待发明一种风场感知算法，用于无人机滑翔路径规划，有效解决现有技术无法确保无人机在未知风场中进行高效安全滑翔飞行的问题。
发明内容
本发明的目的是提出一种风场感知算法，用于无人机滑翔路径规划，以解决现有技术无法确保无人机在未知风场中进行高效安全滑翔飞行的问题。
为了实现上述目的，本发明提供一种用于无人机滑翔路径规划的风场感知算法，包括：
采集无人机飞行过程中不同位置和不同时刻的三维风速数据；
获取训练数据集输入X和训练数据集观测值F，其中，所述训练数据集输入X包括每个所述位置的三维坐标和其对应的时刻，训练数据集观测值F包括每个所述位置对应的所述三维风速数据；
获取测试数据集输入X'，并确定预测模型的核函数k(x,t,x',t')，其中，x和t为所述训练数据集输入X中任一个位置的三维坐标和其对应的时刻，x'和t'为所述测试数据集输入X'中任一个位置的三维坐标和其对应的时刻；
基于所述核函数k(x,t,x',t')确定所述预测模型，应用所述训练数据集输入X和所述训练数据集观测值F对所述预测模型进行训练；
将所述测试数据集输入X'输入训练后的所述预测模型中，得到测试数据集中的风速期望值及方差
可选地，通过机载传感器以预设频率采集无人机飞行过程中不同位置和不同时刻的三维风速数据。
可选地，所述核函数k(x,t,x',t')的公式为：
其中，lx为空间尺度超参数，lt为时间尺度超参数，σf为信号方差超参数，x和t为所述训练数据集输入X中任一个位置的三维坐标和其对应的时刻，x'和t'为所述测试数据集输入X'中任一个位置的三维坐标和其对应的时刻。
可选地，还包括：所述确定预测模型的核函数k(x,t,x',t')之后，给出所述空间尺度超参数lx、所述时间尺度超参数lt、和所述信号方差超参数σf的初始值。
可选地，还包括：所述确定预测模型的核函数k(x,t,x',t')之后，通过极大似然法优化所述核函数k(x,t,x',t')中所述空间尺度超参数lx、所述时间尺度超参数lt、和所述信号方差超参数σf。
可选地，将测试数据集输入X'输入训练后的预测模型中，通过以下步骤分别计算测试数据集中的风速期望值及方差
应用测试数据集(X',F')和训练数据集(X,F')形成联合高斯分布函数，所述联合高斯分布关系为：
其中，m为零均值函数，k为核函数，N表示高斯分布；
基于所述联合高斯分布关系，分别计算测试数据集中的风速期望值及方差其中，
其中，σn为噪声方差超参数，I为单位矩阵。
可选地，还包括：所述确定所述预测模型的核函数k(x,t,x',t')之后，给出所述噪声方差超参数σn的初始值并优化噪声方差超参数σn，所述噪声方差超参数σn用于计算所述测试数据集中的风速期望值及方差
一种电子设备，所述电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的用于无人机滑翔路径规划的风场感知算法。
一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的用于无人机滑翔路径规划的风场感知算法。
本发明的有益效果在于：
本发明的风场感知算法提出了改进的核函数k(x,t,x',t')，加入了时间变量，使预测模型具备了时间和空间上的风场预测能力，通过本发明的风场感知算法预测并构建空间风场，在风场数据的基础上进行滑翔路径规划，并将生成的航迹发送给飞控机，由飞控机控制电气执行机构按规划的航迹飞行。本发明的风场感知算法计算效率高，解决了现有技术无法确保无人机在未知风场中进行高效安全滑翔飞行的问题。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的一种用于无人机滑翔路径规划的风场感知算法的流程图。
图2示出了根据本发明的一个实施例的一种用于无人机滑翔路径规划的风场感知算法的无人机抵达终点时风场的理论值矢量图。
图3示出了根据本发明的一个实施例的一种用于无人机滑翔路径规划的风场感知算法的无人机抵达终点时风场预测值矢量图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
根据本发明的一种用于无人机滑翔路径规划的风场感知算法，包括：
采集无人机飞行过程中不同位置和不同时刻的三维风速数据；
获取训练数据集输入X和训练数据集观测值F，其中，训练数据集输入X包括每个所述位置的三维坐标和其对应的时刻，训练数据集观测值F包括每个位置对应的三维风速数据；
获取测试数据集输入X'，并确定预测模型的核函数k(x,t,x',t')，其中，x和t为训练数据集输入X中任一个位置的三维坐标和其对应的时刻，x'和t'为测试数据集输入X'中任一个位置的三维坐标和其对应的时刻；
基于核函数k(x,t,x',t')确定预测模型，应用训练数据集输入X和训练数据集观测值F对预测模型进行训练；
将测试数据集输入X'输入训练后的预测模型中，得到测试数据集中的风速期望值及方差
具体地，本发明的风场感知算法提出了改进的核函数k(x,t,x',t')，加入了时间变量，使预测模型具备了时间和空间上的风场预测能力，通过本发明的风场感知算法预测并构建空间风场，在风场数据的基础上进行滑翔路径规划，并将生成的航迹发送给飞控机，由飞控机控制电气执行机构按规划的航迹飞行。本发明的风场感知算法计算效率高，解决了现有技术无法确保无人机在未知风场中进行高效安全滑翔飞行的问题。
在一个示例中，通过机载传感器以预设频率采集无人机飞行过程中不同位置和不同时刻的三维风速数据。
具体地，在飞行过程中，机载传感器将获取的三维风速数据实时传给机载电脑，以一定频率对风速进行采样。假设无人机飞行速度15m/s；
飞行起点坐标为[x＝0,y＝0,z＝-150m]；
飞行终点坐标为[x＝400m,y＝400m,z＝-170m]；
在一个示例中，核函数k(x,t,x',t')的公式为：
其中，lx为空间尺度超参数，lt为时间尺度超参数，σf为信号方差超参数，x和t为所述训练数据集输入X中任一个位置的三维坐标和其对应的时刻，x'和t'为所述测试数据集输入X'中任一个位置的三维坐标和其对应的时刻。
在一个示例中，风场感知算法还包括：确定预测模型的核函数k(x,t,x',t')之后，给出空间尺度超参数lx、时间尺度超参数lt、和信号方差超参数σf的初始值。
在一个示例中，风场感知算法还包括：确定预测模型的核函数k(x,t,x',t')之后，通过极大似然法优化核函数k(x,t,x',t')中空间尺度超参数lx、时间尺度超参数lt、和信号方差超参数σf。
在一个示例中，将测试数据集输入X'输入训练后的预测模型中，通过以下步骤分别计算测试数据集中的风速期望值及方差
应用测试数据集(X',F')和训练数据集(X,F')形成联合高斯分布函数，所述联合高斯分布关系为：
其中，m为零均值函数，k为核函数，N表示高斯分布；
基于联合高斯分布关系，分别计算测试数据集中的风速期望值及方差其中，
其中，σn为噪声方差超参数，I为单位矩阵。
具体地，测试数据集中的风速期望值及方差方差均用于构建空间风场。
在一个示例中，风场感知算法还包括：确定预测模型的核函数k(x,t,x',t')之后，给出所述噪声方差超参数σn的初始值并优化噪声方差超参数σn，噪声方差超参数σn用于计算测试数据集中的风速期望值及方差
具体地，噪声方差超参数σn为预测模型中的超参数，首先给出噪声方差超参数σn的初始值，然后通过极大似然法对噪声方差超参数σn进行优化。
一种电子设备，电子设备包括：
存储器，存储有可执行指令；
处理器，处理器运行存储器中的所述可执行指令，以实现所述的用于无人机滑翔路径规划的风场感知算法。
一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的用于无人机滑翔路径规划的风场感知算法。
实施例一
如图1所示，一种用于无人机滑翔路径规划的风场感知算法，包括：
步骤1：采集无人机飞行过程中不同位置和不同时刻的三维风速数据；
其中，通过机载传感器以预设频率采集无人机飞行过程中不同位置和不同时刻的三维风速数据。
具体地，在飞行过程中，机载传感器将获取的三维风速数据实时传给机载电脑，以一定频率对风速进行采样。假设无人机飞行速度15m/s；
飞行起点坐标为[x＝0,y＝0,z＝-150m]；
飞行终点坐标为[x＝400m,y＝400m,z＝-170m]；
建立了400m*400m*100m空域范围内的理论风场，风场具有时变特征，图2给出了无人机抵达终点时风场的理论值。
步骤2：获取训练数据集输入X和训练数据集观测值F，其中，训练数据集输入X包括每个位置的三维坐标和其对应的时刻，训练数据集观测值F包括每个位置对应的三维风速数据；
步骤3：获取测试数据集输入X'，并确定预测模型的核函数k(x,t,x',t')，其中，x和t为训练数据集输入X中任一个位置的三维坐标和其对应的时刻，x'和t'为测试数据集输入X'中任一个位置的三维坐标和其对应的时刻；
其中，核函数k(x,t,x',t')的公式为：
其中，lx为空间尺度超参数，lt为时间尺度超参数，σf为信号方差超参数，x和t为训练数据集输入X中任一个位置的三维坐标和其对应的时刻，x'和t'为测试数据集输入X'中任一个位置的三维坐标和其对应的时刻。
其中，风场感知算法还包括：确定预测模型的核函数k(x,t,x',t')之后，给出空间尺度超参数lx、时间尺度超参数lt、和信号方差超参数σf的初始值。
其中，风场感知算法还包括：确定预测模型的核函数k(x,t,x',t')之后，通过极大似然法优化核函数k(x,t,x',t')中空间尺度超参数lx、时间尺度超参数lt、和信号方差超参数σf。
步骤4：基于核函数k(x,t,x',t')确定预测模型，应用练数据集输入X和训练数据集观测值F对预测模型进行训练；
步骤5：将测试数据集输入输入训练后的预测模型中，得到测试数据集中的风速期望值及方差
其中，将测试数据集输入X'输入训练后的预测模型中，通过以下步骤分别计算测试数据集中的风速期望值及方差
应用测试数据集(X',F')和训练数据集(X,F')形成联合高斯分布函数，所述联合高斯分布关系为：
其中，m为零均值函数，k为核函数，N表示高斯分布；
基于联合高斯分布关系，分别计算测试数据集中的风速期望值及方差其中，
其中，σn为噪声方差超参数，I为单位矩阵。
其中，风场感知算法还包括：确定预测模型的核函数k(x,t,x',t')之后，给出噪声方差超参数σn的初始值并优化噪声方差超参数σn，噪声方差超参数σn用于计算测试数据集中的风速期望值及方差
具体地，如图3所示，图3为无人机抵达终点时，400m*400m*100m空域范围内的风场预测值。其中的箭头大小和方向代表了风速期望值大小及风向。颜色代表了风速的方差反映了不确定度。
实施例二
本公开提供一种电子设备包括，该电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述用于无人机滑翔路径规划的风场感知算法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
实施例三
本公开提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述用于无人机滑翔路径规划的风场感知算法。
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于：光存储介质(例如：CD－ROM和DVD)、磁光存储介质(例如：MO)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置ROM的媒体(例如：ROM盒)。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (8)

1.一种用于无人机滑翔路径规划的风场感知算法，其特征在于，包括：
采集无人机飞行过程中不同位置和不同时刻的三维风速数据；
获取训练数据集输入X和训练数据集观测值F，其中，所述训练数据集输入X包括每个所述位置的三维坐标和其对应的时刻，训练数据集观测值F包括每个所述位置对应的所述三维风速数据；
获取测试数据集输入X′，并确定预测模型的核函数k(x,t,x′,t′)，其中，x和t为所述训练数据集输入X中任一个位置的三维坐标和其对应的时刻，x′和t′为所述测试数据集输入X′中任一个位置的三维坐标和其对应的时刻；
基于所述核函数k(x,t,x′,t′)确定所述预测模型，应用所述训练数据集输入X和所述训练数据集观测值F对所述预测模型进行训练；
将所述测试数据集输入X′输入训练后的所述预测模型中，得到测试数据集中的风速期望值及方差
所述核函数k(x,t,x′,t′)的公式为：
其中，lx为空间尺度超参数，lt为时间尺度超参数，σf为信号方差超参数，x和t为所述训练数据集输入X中任一个位置的三维坐标和其对应的时刻，x′和t′为所述测试数据集输入X′中任一个位置的三维坐标和其对应的时刻。
2.根据权利要求1所述的用于无人机滑翔路径规划的风场感知算法，其特征在于，通过机载传感器以预设频率采集无人机飞行过程中不同位置和不同时刻的三维风速数据。
3.根据权利要求1所述的用于无人机滑翔路径规划的风场感知算法，其特征在于，还包括：
所述确定预测模型的核函数k(x,t,x′,t′)之后，给出所述空间尺度超参数lx、所述时间尺度超参数lt、和所述信号方差超参数σf的初始值。
4.根据权利要求1所述的用于无人机滑翔路径规划的风场感知算法，其特征在于，还包括：
所述确定预测模型的核函数k(x,t,x′,t′)之后，通过极大似然法优化所述核函数k(x,t,x′,t′)中所述空间尺度超参数lx、所述时间尺度超参数lt、和所述信号方差超参数σf。
5.根据权利要求1所述的用于无人机滑翔路径规划的风场感知算法，其特征在于，将所述测试数据集输入X′输入训练后的所述预测模型中，通过以下步骤分别计算测试数据集中的风速期望值及方差
应用测试数据集(X′,F′)和训练数据集(X,F′)形成联合高斯分布关系，所述联合高斯分布关系为：
其中，m为零均值函数，k′为核函数，N表示高斯分布；
基于所述联合高斯分布关系，分别计算测试数据集中的风速期望值及方差其中，
其中，σn为噪声方差超参数，I为单位矩阵。
6.根据权利要求5所述的用于无人机滑翔路径规划的风场感知算法，其特征在于，还包括：
所述确定所述预测模型的核函数k(x,t,x′,t′)之后，给出所述噪声方差超参数σn的初始值并优化噪声方差超参数σn，所述噪声方差超参数σn用于计算所述测试数据集中的风速期望值及方差
7.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现根据权利要求1-6中任一项所述的用于无人机滑翔路径规划的风场感知算法。
8.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的用于无人机滑翔路径规划的风场感知算法。
CN202111618168.5A 2021-12-27 2021-12-27 一种用于无人机滑翔路径规划的风场感知算法 Active CN114510817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111618168.5A CN114510817B (zh) 2021-12-27 2021-12-27 一种用于无人机滑翔路径规划的风场感知算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111618168.5A CN114510817B (zh) 2021-12-27 2021-12-27 一种用于无人机滑翔路径规划的风场感知算法

Publications (2)

Publication Number Publication Date
CN114510817A CN114510817A (zh) 2022-05-17
CN114510817B true CN114510817B (zh) 2024-07-12

Family

ID=81548835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111618168.5A Active CN114510817B (zh) 2021-12-27 2021-12-27 一种用于无人机滑翔路径规划的风场感知算法

Country Status (1)

Country Link
CN (1) CN114510817B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117420837B (zh) * 2023-12-19 2024-03-19 中国航天空气动力技术研究院 基于风场感知与能量增益的无人机航迹规划方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103164A (zh) * 2017-05-27 2017-08-29 合肥工业大学 无人机执行多任务的分配方法及装置
CN113466962A (zh) * 2021-07-06 2021-10-01 西安交通大学 一种基于高斯过程回归的横波预测方法及***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160179992A1 (en) * 2014-12-18 2016-06-23 Dassault Systèmes Simulia Corp. Interactive 3D Experiences on the Basis of Data
CN110298115B (zh) * 2019-07-02 2022-05-17 中国气象局上海台风研究所 一种基于简化地形气动参数的风场动力降尺度方法
CN113722939B (zh) * 2021-11-02 2022-02-22 清科优能(深圳)技术有限公司 风电出力预测方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103164A (zh) * 2017-05-27 2017-08-29 合肥工业大学 无人机执行多任务的分配方法及装置
CN113466962A (zh) * 2021-07-06 2021-10-01 西安交通大学 一种基于高斯过程回归的横波预测方法及***

Also Published As

Publication number Publication date
CN114510817A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN111123963B (zh) 基于强化学习的未知环境自主导航***及方法
US10884433B2 (en) Aerial drone utilizing pose estimation
CN110928200B (zh) 一种面向无人机的虚实联动仿真试验***及方法
Tu et al. Path planning and obstacle avoidance based on reinforcement learning for UAV application
CN112819303B (zh) 基于pce代理模型的飞行器追踪效能评估方法及***
CN113110546B (zh) 一种基于离线强化学习的无人机自主飞行控制方法
CN114510817B (zh) 一种用于无人机滑翔路径规划的风场感知算法
Rilanto Trilaksono et al. Hardware‐in‐the‐loop simulation for visual target tracking of octorotor UAV
CN112379681A (zh) 无人机避障飞行方法、装置及无人机
CN112596071A (zh) 无人机自主定位方法、装置及无人机
CN108701164A (zh) 获得飞行模拟数据的方法、装置、存储介质及设备
Cabrera-Ponce et al. Onboard cnn-based processing for target detection and autonomous landing for mavs
Al-Shabi et al. UAV dynamics model parameters estimation techniques: A comparison study
CN105760813A (zh) 一种基于植物枝根演化行为的无人机目标检测方法
Liu et al. Mission capability estimation of multicopter uav for low-altitude remote sensing
CN114815904B (zh) 基于注意力网络的无人集群对抗方法、装置及无人设备
CN117707191A (zh) 一种无人机轮飞的控制方法、装置、设备及存储介质
CN109977884B (zh) 目标跟随方法和装置
CN112380933A (zh) 无人机识别目标的方法、装置及无人机
Zhu et al. Research and application on fractional-order Darwinian PSO based adaptive extended Kalman filtering algorithm
CN115809695A (zh) 一种基于物理信息神经网络的模型训练方法及相关装置
CN112649005A (zh) 一种基于dem的无人直升机飞行航线诊断方法
CN111752295A (zh) 无人机飞行轨迹规划方法及相关装置
CN117130383B (zh) 无人机视觉跟踪方法、***、无人机及可读存储介质
CN110716581B (zh) 基于施瓦尔兹不等式的飞行器避障方法

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