CN115759498A - 基于双向长短期记忆网络的无人机飞行路径实时预测方法 - Google Patents

Abstract

本发明提供了一种基于双向长短期记忆网络的无人机飞行路径实时预测方法，所述方法包括如下步骤：步骤S1、采集若干次自主作业无人机沿同一条路径飞行的GPS定位数据序列，使用基于Bessel大地坐标转换和最小二乘拟合进行数据预处理生成模型训练数据集；步骤S2、构建双向长短期记忆路径预测模型，使用所述的模型训练数据集对路径预测模型进行训练；步骤S3、利用训练好的路径预测模型，结合基于PID原理的预测模型补偿器实时预测无人机作业飞行路径。本发明的无人机飞行路径预测模型性能优于其他的传统神经网络模型，有更高的预测精度。

Description

基于双向长短期记忆网络的无人机飞行路径实时预测方法

技术领域

本发明涉及无人机路径监测领域，特别是一种基于双向长短期记忆网络的无人机飞行路径实时预测方法。

背景技术

随着无人机自主控制技术的快速发展，近年来无人机在电力巡检、交通监控、目标跟踪、军事打击等领域的无人化作业已经成为现实。使用无人机进行自主作业不仅能够节约大量人力成本，而且与传统的人为操作方式相比，自动飞行的无人机因不受遥控距离限制而能在更大的范围内进行作业，同时拥有更高的控制速度和精度。对于如数据采集、作物喷洒等有计划进行或周期性重复的作业任务，通常需要根据任务需求和作业环境信息为无人机设计飞行路径。例如，规划能够使无人机遍历选定区域或避开障碍物的路径。实现无人机自主控制的一个重要前提是获取导航信息。对于上述类别的任务，最为广泛使用的导航方式是通过全球定位***、北斗和格罗纳斯等卫星定位***获取无人机的实时地理坐标，并将其与目标点坐标相比较来确定无人机的飞行方向和速度。

然而，无人机实际作业时可能由于风力、电磁干扰等外部扰动因素的影响，产生飞行控制产生误差或错误，导致实际飞行路径与预设定的规划路径之间存在偏差。由于缺少人为干预，无人机无法对潜在的作业异常情况做出准确判断，从而可能因没有及时调整控制信号而错过目标点造成任务失败，甚至造成严重后果。为了保证作业安全，无人机必须拥有监测和校正飞行路径的能力，这对于无人机自主作业任务的顺利完成起着重要的保障作用。同时，无人机在城市、森林等较为复杂的场景中作业时，卫星定位信号可能存在较大误差或无法被正常接收。在这种情况下如何得到准确的定位信息也是一个急需解决的问题。

目前得到广泛使用且效果较好的无人机自主作业监测手段是以无人机实际飞行路径为依据对其未来一段时间的位置信息进行合理预测。若预测值与所设定的目标点之间误差超过一定阈值，则判定无人机作业存在异常。

神经网络能够通过其具有强大的数据特征学习能力提取数据间存在的关联，这一特性使其被广泛应用于运动轨迹预测问题，在预测效果和性能上都具有显著的优越性。大多数预测模型都是基于多层感知、循环神经网络、长短期记忆网络和卷积神经网络等经典神经网络。现有技术中提出了一种用于飞行轨迹预测的约束长短期记忆网络，根据飞机动态特性提出了不同阶段的约束，模型能够通过动态物理约束保持长期依赖。尽管对物体运动路径预测问题的研究已经较为成熟，但是受到无人机运动突变性和复杂性的限制，使用深度神经网络预测无人机飞行路径的研究还较少。

发明内容

为克服上述问题，本发明的目的是提供一种基于双向长短期记忆网络的无人机飞行路径实时预测方法，提高了预测的精准度。

本发明采用以下方案实现：一种基于双向长短期记忆网络的无人机飞行路径实时预测方法，所述方法包括如下步骤：

步骤S1、采集若干次自主作业无人机沿同一条路径飞行的GPS定位数据序列，使用基于Bessel大地坐标转换和最小二乘拟合进行数据预处理生成模型训练数据集；

步骤S2、构建双向长短期记忆路径预测模型，使用所述的模型训练数据集对路径预测模型进行训练；

步骤S3、利用训练好的路径预测模型，结合基于PID原理的预测模型补偿器实时预测无人机作业飞行路径。

进一步的，所述步骤S1进一步具体为：步骤S11、用j条无人机作业完整路径组成训练模型所使用的原始飞行路径数据集D＝{D₁，D₂，D_i...，D_j}，其中D_i表示第i条路径按时间顺序排列的坐标采样点序列；每个GPS采样点包括三个维度的数据，即纬度、经度和高程；进一步的，步骤S12、将地球上任意一点P的位置都用在地理坐标系下的坐标(B，L，H)来表示，其中B和L代表纬度和经度，H代表高程；在使用GPS定位时得到的无人机在地理坐标系下的坐标用(B_el，L_el，H_el)表示；使用Bessel大地坐标转换公式将无人机在地理坐标系下的坐标(B_el，L_el，H_el)转换为导航坐标系下以米为单位的坐标(x_el，y_el，z_el)以实现三维位置坐标各维度数据单位的统一化，得到用导航坐标系坐标来表示的数据集D′＝{D′₁，D′₂，...，D′_j}；其中，Bessel大地坐标转换公式为：

其中a_el、b_el分别为地球的长轴和短轴长；B_el，L_el，H_el是无人机在地理坐标系下的纬度、经度、高程；

令e₀为地球偏心率，其具体表达式为：

则

步骤S13、按照设置的比例将D′按比例分为D′_Train＝{D′₁，D′₂，...，D′_q}和D′_Validation＝{D′_q+1，D′_q+2，...，D′_j}(q＜j)，以生成用于模型训练的训练集D′_Train和用于验证模型性能的验证集D′_Validation；

步骤S14、假设路径预测模型使用无人机飞行的最近m个位置坐标来估计接下来的n个位置坐标，即模型输入为[P_k-m+1，...，P_k-1，P_k]，输出为[P_k+1，P_k+2，...，P_k+n]，P_i(x_i，y_i，z_i)表示无人机接收到的第i帧GPS定位信息经Bessel转化得到的坐标，而当前时刻对应第k帧无人机位置坐标即为P_k；为了得到与模型输入和输出形式相同的张量数据，设置大小为3×(m+n)的滑动窗口遍历每条路径的坐标点序列，长度为l的序列D′_i能得到l-m-n+1个与滑动窗口大小相同的矩阵，进一步得到形状为3×m的模型输入和形状为1×3n的模型输出矩阵，由D′_Train和D′_Validation内序列生成的矩阵分别组成训练数据集和验证数据集。进一步的，在无人机搭载的GPS模块因受到干扰或通信延迟无法被及时正常接收时，导致模型输入序列缺失数据，或是定位精度差，得到的定位信息存在误差，这都将对模型预测精度有影响，则采用最小二乘拟合方式对位置坐标观测数据进行补充和校正；考虑到拟合误差和计算时间之间的平衡，以二次函数作为拟合的目标函数；同时，设定校准阈值ε，获取由定位模块得到的位置坐标观测值与拟合目标函数值之间的差值，当差值大于ε时观测值存在误差，因此用拟合的目标函数值替代，能够在一定程度上校正数据的异常值；

按照下式对各维度数据进行归一化处理：

其中，v_i表示一维度第i个数据，v_max和v_min为这一维度上数据的最大值和最小值，

为归一化数据；归一化能够保证每个维度的特征对预测结果所作出的贡献相同，以提高模型预测的精度。

进一步的，所述步骤S2进一步具体为：所述的双向长短期记忆网络由BiLSTM层、Dropout层、全连接层和激活层组成，该BiLSTM层用于提取路径时间序列不同时间步上数据之间的关联特征；Dropout层能够在每次训练时按照一定的概率移除部分网络单元来降低不同单元间的依赖性，从而防止模型对训练使用的路径数据产生过拟合，提升对每次不同作业条件下飞行路径的泛化能力；全连接层对提取到的序列特征进行整合，由激活层完成特征到预测结果的非线性映射；在激活层使用修正线性单元作为激活函数，有助于加快模型的收敛速度和计算速度；

预测模型的训练采用误差反向传播算法实现，按照设置的批次大小将训练数据输入模型，通过前向计算得到模型的预测值，预测值用于与数据真实值一起计算损失函数值，在此基础上根据误差反向传播算法得到的梯度大小更新网络权重参数，循环上述方式对训练数据集进行训练，直至完成所设定的训练周期；训练优化器采用Adam优化器，以均方误差作为模型的损失函数，损失函数公式为：

其中，DL为数据集大小，y_i为数据真实值，

为数据预测值。进一步的，所述步骤S3进一步具体为：根据双向长短期记忆网络输出特点设置基于比例积分微分误差控制理论的预测模型补偿器，用于为模型预测结果提供补偿值；为了获取预测误差，需要记录模型每次输出结果，与后续接收到的观测值比较；设置模型预测周期与GPS信号采样周期相同，即每获取到一帧定位信息就进行一次预测；模型使用最近获取到的m个位置坐标来估计接下来的n个位置坐标，因此在无人机作业过程中模型从接收到坐标P_m开始预测，从接收到坐标P_m+n时开始能够比较预测值与真实值来获取各时间步上的预测误差；用

表示预测模型得到的坐标点P_i初始预测值；当地面站接收到坐标P_k(k≥m+n)时，计算由预测模型得到的最近m个坐标的预测值

与其真实值[P_k-n+1,...,P_k-1,P_k]之间的差值e_k；则模型预测结果的补偿值CV_k的计算公式表示为：

CV_k＝K_P·e_k+K_I·(e_k+e_k-1)·δ+K_D·(e_k-e_k-1)/δ

式中K_P、K_I和K_D分别为比例、积分和微分系数；看到CV_k由三个部分所组成；第一个部分为比例系数K_P和误差e_k的乘积，用于产生基准补偿值；第二部分为积分系数K_I和一定时间内误差累加值的乘积，用于消除预测模型稳态误差；而最后一个部分为微分系数K_D和最近两次预测误差变化率的乘积，根据误差变化来调节补偿值以避免补偿幅值太大，这对在误差信息具有延迟的情况下加快预测模型补偿器的响应速度起着重要作用；将模型输出结果和补偿值相加得到最终的坐标预测序列

这些坐标预测序列即为无人机飞行路径。

本发明的有益效果在于：本发明针对无人机进行自主作业时的飞行安全监测问题，提出了一种基于Bessel大地坐标转换的误差补偿BiLSTM网络路径预测模型，监测***部署在具有较高硬件算力的地面站；通过使用Bessel大地坐标转换公式，将GPS采集的纬度、经度和高程定位信息进行坐标转换为单位统一的导航坐标系坐标，这有利于神经网络对各维度数据间关联特征的提取；在处理数据时，采用最小二乘拟合方法，解决数据缺失和误差较大的问题。在此基础上，设计了Bessel-BiLSTM网络和基于PID原理的预测模型补偿器，Bessel-BiLSTM网络的输出作为预测结果的基准值，补偿器根据观测到的预测误差修正模型预测结果，从而得到更高精度的坐标预测序列。基于由实际无人机作业飞行路径组成的数据集得到的实验结果表明，本发明提出的预测模型能够在仅使用GPS定位信息的条件下，对无人机在一定时间内的飞行路径实现准确预测。

附图说明

图1是本发明的方法流程示意图。

图2是本发明无人机在地理坐标系和导航坐标系下的位置关系示意图。

图3是本发明一实施例中无人机作业监测***框架图。

图4是本发明一实施例中双向长短期记忆网络的框架原理图。

图5是本发明预测模型的训练采用反向传播算法实现的过程示意图。

图6是本发明结合基于PID原理的预测模型补偿器实时预测无人机作业飞行路径的流程示意图。

具体实施方式

下面结合附图对本发明做进一步说明。

请参阅图1所示，一种基于双向长短期记忆网络的无人机飞行路径实时预测方法，所述方法包括如下步骤：

步骤S1、采集若干次自主作业无人机沿同一条路径飞行的GPS定位数据序列，使用基于Bessel大地坐标转换和最小二乘拟合进行数据预处理生成模型训练数据集；

所述步骤S1进一步具体为：步骤S11、用j条无人机作业完整路径组成训练模型所使用的原始飞行路径数据集D＝{D₁，D₂，D_i...，D_j}，其中D_i表示第i条路径按时间顺序排列的坐标采样点序列；每个GPS采样点包括三个维度的数据，即纬度、经度和高程；

步骤S12、将地球上任意一点P的位置都用在地理坐标系下的坐标(B，L，H)来表示，其中B和L代表纬度和经度，H代表高程；在使用GPS定位时得到的无人机在地理坐标系下的坐标用(B_el，L_el，H_el)表示；使用Bessel大地坐标转换公式将无人机在地理坐标系下的坐标(B_el，L_el，H_el)转换为导航坐标系下以米为单位的坐标(x_el，y_el，z_el)以实现三维位置坐标各维度数据单位的统一化，得到用导航坐标系坐标来表示的数据集D′＝{D′₁，D′₂，...，D′_j}；其中，Bessel大地坐标转换公式为：

如图2所示，其中a_el、b_el分别为地球的长轴和短轴长；B_el，L_el，H_el是无人机在地理坐标系下的纬度、经度、高程；

令e₀为地球偏心率，其具体表达式为：

则

步骤S13、按照设置的比例将D′按比例分为D′_Train＝{D′₁，D′₂，...，D′_q}和D′_Validation＝{D′_q+1，D′_q+2，...，D′_j}(q＜j)，以生成用于模型训练的训练集D′_Train和用于验证模型性能的验证集D′_Validation；在使用模型进行坐标预测时，地面站设置相应大小的窗口选择最近若干个采样时刻的定位信息，以经过数据拟合补充与校正、Bessel转换和归一化处理的张量数据作为预测模型输入。值得注意的是，地面站需要实时根据新获取到的位置观测信息更新数据每个维度上的最大值和最小值，确保数据归一化结果能位于区间(0，1)。

步骤S14、假设路径预测模型使用无人机飞行的最近m个位置坐标来估计接下来的n个位置坐标，即模型输入为[P_k-m+1，...，P_k-1，P_k]，输出为[P_k+1，P_k+2，...，P_k+n]，P_i(x_i，y_i，z_i)表示无人机接收到的第i帧GPS定位信息经Bessel转化得到的坐标，而当前时刻对应第k帧无人机位置坐标即为P_k；为了得到与模型输入和输出形式相同的张量数据，设置大小为3×(m+n)的滑动窗口遍历每条路径的坐标点序列，长度为l的序列D′_i能得到l-m-n+1个与滑动窗口大小相同的矩阵，进一步得到形状为3×m的模型输入和形状为1×3n的模型输出矩阵，由D′_Train和D′_Validation内序列生成的矩阵分别组成训练数据集和验证数据集。

由于无人机板载处理器运算能力有限，无法满足深度学习任务的算力需求，无人机路径预测在地面站完成。地面站部署了存储无人机的规划路径和飞行数据的数据库，以及路径预测模型。本专利设计的无人机作业监测***框架如图3所示。无人机路径预测的过程可以描述为：无人机将接收到的定位信息通过数据传输模块发送至地面站，地面站根据数据帧的时间戳对坐标点进行排序得到无人机飞行路径观测值，以此序列作为模型输入数据得到无人机位置预测值。

进一步的，在无人机搭载的GPS模块因受到干扰或通信延迟无法被及时正常接收时，导致模型输入序列缺失数据，或是定位精度差，得到的定位信息存在误差，这都将对模型预测精度有影响，则采用最小二乘拟合方式对位置坐标观测数据进行补充和校正；考虑到拟合误差和计算时间之间的平衡，以二次函数作为拟合的目标函数；同时，设定校准阈值ε，获取由无人机定位模块得到的位置坐标观测值与拟合目标函数值之间的差值，当差值大于ε时观测值存在误差，因此用拟合的目标函数值替代，能够在一定程度上校正数据的异常值；

按照下式对各维度数据进行归一化处理：

其中，v_i表示一维度第i个数据，v_max和v_min为这一维度上数据的最大值和最小值，

为归一化数据；归一化能够保证每个维度的特征对预测结果所作出的贡献相同，以提高模型预测的精度。

步骤S2、构建双向长短期记忆路径预测模型，使用所述的模型训练数据集对路径预测模型进行训练；

如图4所示，所述步骤S2进一步具体为：所述的双向长短期记忆网络由BiLSTM层、Dropout层、全连接层和激活层组成，该BiLSTM层用于提取路径时间序列不同时间步上数据之间的关联特征；Dropout层能够在每次训练时按照一定的概率移除部分网络单元来降低不同单元间的依赖性，从而防止模型对训练使用的路径数据产生过拟合，提升对每次不同作业条件下飞行路径的泛化能力；全连接层对提取到的序列特征进行整合，由激活层完成特征到预测结果的非线性映射；在激活层使用修正线性单元作为激活函数(RectifiedLinear Unit,ReLU)，有助于加快模型的收敛速度和计算速度；

ReLU函数表达式为：

f(x)＝max(0,x)

预测模型的训练采用误差反向传播算法实现，按照设置的批次大小将训练数据输入模型，通过前向计算得到模型的预测值，预测值用于与数据真实值一起计算损失函数值，在此基础上根据误差反向传播算法得到的梯度大小更新网络权重参数，如图5所示，循环上述方式对训练数据集进行训练(上述方式为：按照设置的批次大小将训练数据输入模型，通过前向计算得到模型的预测值，预测值用于与数据真实值一起计算损失函数值，在此基础上根据误差反向传播算法得到的梯度大小更新网络权重参数)，直至完成所设定的训练周期；训练优化器采用Adam优化器，以均方误差作为模型的损失函数，损失函数公式为：

其中，DL为数据集大小，y_i为数据真实值，

为数据预测值。

步骤S3、利用训练好的路径预测模型，结合基于PID原理的预测模型补偿器实时预测无人机作业飞行路径。

如图6所示，所述步骤S3进一步具体为：根据双向长短期记忆网络输出特点设置基于比例积分微分误差控制理论的预测模型补偿器，用于为模型预测结果提供补偿值；为了获取预测误差，需要记录模型每次输出结果，与后续接收到的观测值比较；设置模型预测周期与GPS信号采样周期相同，即每获取到一帧定位信息就进行一次预测；模型使用最近获取到的m个位置坐标来估计接下来的n个位置坐标，因此在无人机作业过程中模型从接收到坐标P_m开始预测，从接收到坐标P_m+n时开始能够比较预测值与真实值来获取各时间步上的预测误差；用

表示预测模型得到的坐标点P_i初始预测值；当地面站接收到坐标P_k(k≥m+n)时，计算由预测模型得到的最近m个坐标的预测值

与其真实值[P_k-n+1,...,P_k-1,P_k]之间的差值e_k；则模型预测结果的补偿值CV_k的计算公式表示为：

CV_k＝K_P·e_k+K_I·(e_k+e_k-1)·δ+K_D·(e_k-e_k-1)/δ

式中K_P、K_I和K_D分别为比例、积分和微分系数；看到CV_k由三个部分所组成；第一个部分为比例系数K_P和误差e_k的乘积，用于产生基准补偿值；第二部分为积分系数K_I和一定时间内误差累加值的乘积，用于消除预测模型稳态误差；而最后一个部分为微分系数K_D和最近两次预测误差变化率的乘积，根据误差变化来调节补偿值以避免补偿幅值太大，这对在误差信息具有延迟的情况下加快预测模型补偿器的响应速度起着重要作用；将模型输出结果和补偿值相加得到最终的坐标预测序列

这些坐标预测序列即为无人机飞行路径。在作业过程中，无人机以采样频率δ获取定位信息。

总之，本发明针对无人机进行自主作业时的飞行安全监测问题，提出了一种基于Bessel大地坐标转换的误差补偿BiLSTM网络路径预测模型，监测***部署在具有较高硬件算力的地面站；通过使用Bessel大地坐标转换公式，将GPS采集的纬度、经度和高程定位信息进行坐标转换为单位统一的导航坐标系坐标，这有利于神经网络对各维度数据间关联特征的提取；在处理数据时，采用最小二乘拟合方法，解决数据缺失和误差较大的问题。在此基础上，设计了Bessel-BiLSTM网络和基于PID原理的预测模型补偿器，Bessel-BiLSTM网络的输出作为预测结果的基准值，补偿器根据观测到的预测误差修正模型预测结果，从而得到更高精度的坐标预测序列。基于由实际无人机作业飞行路径组成的数据集得到的实验结果表明，本发明提出的预测模型能够在仅使用GPS定位信息的条件下，对无人机在一定时间内的飞行路径实现准确预测。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.基于双向长短期记忆网络的无人机飞行路径实时预测方法，其特征在于：所述方法包括如下步骤：

步骤S1、采集若干次自主作业无人机沿同一条路径飞行的GPS定位数据序列，使用基于Bessel大地坐标转换和最小二乘拟合进行数据预处理生成模型训练数据集；

步骤S2、构建双向长短期记忆路径预测模型，使用所述的模型训练数据集对路径预测模型进行训练；

步骤S3、利用训练好的路径预测模型，结合基于PID原理的预测模型补偿器实时预测无人机作业飞行路径。

2.根据权利要求1所述的基于双向长短期记忆网络的无人机飞行路径实时预测方法，其特征在于：所述步骤S1进一步具体为：步骤S11、用j条无人机作业完整路径组成训练模型所使用的原始飞行路径数据集D＝{D₁,D₂,D_i...,D_j}，其中D_i表示第i条路径按时间顺序排列的坐标采样点序列；每个GPS采样点包括三个维度的数据，即纬度、经度和高程；

步骤S12、将地球上任意一点P的位置都用在地理坐标系下的坐标(B,L,H)来表示，其中B和L代表纬度和经度，H代表高程；在使用GPS定位时得到的无人机在地理坐标系下的坐标用(B_el,L_el,H_el)表示；使用Bessel大地坐标转换公式将无人机在地理坐标系下的坐标(B_el,L_el,H_el)转换为导航坐标系下以米为单位的坐标(x_el,y_el,z_el)以实现三维位置坐标各维度数据单位的统一化，得到用导航坐标系坐标来表示的数据集D′＝{D′₁,D′₂,...,D′_j}；其中，Bessel大地坐标转换公式为：

其中a_e1、b_e1分别为地球的长轴和短轴长；B_el,L_el,H_el是无人机在地理坐标系下的纬度、经度、高程；

令e₀为地球偏心率，其具体表达式为：

则

步骤S13、按照设置的比例将D′按比例分为D′_Train＝{D′₁,D′₂,...,D′_q}和D′_Validation＝{D′_q+1,D′_q+2,...,D′_j}(q＜j)，以生成用于模型训练的训练集D′_Train和用于验证模型性能的验证集D′_Validation；

步骤S14、假设路径预测模型使用无人机飞行的最近m个位置坐标来估计接下来的n个位置坐标，即模型输入为[P_k-m+1,...,P_k-1,P_k]，输出为[P_k+1,P_k+2,...,P_k+n]，P_i(x_i,y_i,z_i)表示无人机接收到的第i帧GPS定位信息经Bessel转化得到的坐标，而当前时刻对应第k帧无人机位置坐标即为P_k；为了得到与模型输入和输出形式相同的张量数据，设置大小为3×(m+n)的滑动窗口遍历每条路径的坐标点序列，长度为l的序列D′_i能得到l-m-n+1个与滑动窗口大小相同的矩阵，进一步得到形状为3m的模型输入和形状为1×3n的模型输出矩阵，由D′_Train和D′_Validation内序列生成的矩阵分别组成训练数据集和验证数据集。

3.根据权利要求2所述的基于双向长短期记忆网络的无人机飞行路径实时预测方法，其特征在于：在无人机搭载的GPS模块因受到干扰或通信延迟无法被及时正常接收时，导致模型输入序列缺失数据，或是定位精度差，得到的定位信息存在误差，这都将对模型预测精度有影响，则采用最小二乘拟合方式对位置坐标观测数据进行补充和校正；考虑到拟合误差和计算时间之间的平衡，以二次函数作为拟合的目标函数；同时，设定校准阈值ε，获取由定位模块得到的位置坐标观测值与拟合目标函数值之间的差值，当差值大于ε时观测值存在误差，因此用拟合的目标函数值替代，能够在一定程度上校正数据的异常值；

按照下式对各维度数据进行归一化处理：

其中，v_i表示一维度第i个数据，v_max和v_min为这一维度上数据的最大值和最小值，

为归一化数据；归一化能够保证每个维度的特征对预测结果所作出的贡献相同，以提高模型预测的精度。

4.根据权利要求1所述的基于双向长短期记忆网络的无人机飞行路径实时预测方法，其特征在于：所述步骤S2进一步具体为：所述的双向长短期记忆网络由BiLSTM层、Dropout层、全连接层和激活层组成，该BiLSTM层用于提取路径时间序列不同时间步上数据之间的关联特征；Dropout层能够在每次训练时按照一定的概率移除部分网络单元来降低不同单元间的依赖性，从而防止模型对训练使用的路径数据产生过拟合，提升对每次不同作业条件下飞行路径的泛化能力；全连接层对提取到的序列特征进行整合，由激活层完成特征到预测结果的非线性映射；在激活层使用修正线性单元作为激活函数，有助于加快模型的收敛速度和计算速度；

预测模型的训练采用误差反向传播算法实现，按照设置的批次大小将训练数据输入模型，通过前向计算得到模型的预测值，预测值用于与数据真实值一起计算损失函数值，在此基础上根据误差反向传播算法得到的梯度大小更新网络权重参数，循环上述方式对训练数据集进行训练，直至完成所设定的训练周期；训练优化器采用Adam优化器，以均方误差作为模型的损失函数，损失函数公式为：

其中，DL为数据集大小，y_i为数据真实值，

为数据预测值。

5.根据权利要求3所述的基于双向长短期记忆网络的无人机飞行路径实时预测方法，其特征在于：所述步骤S3进一步具体为：根据双向长短期记忆网络输出特点设置基于比例积分微分误差控制理论的预测模型补偿器，用于为模型预测结果提供补偿值；为了获取预测误差，需要记录模型每次输出结果，与后续接收到的观测值比较；设置模型预测周期与GPS信号采样周期相同，即每获取到一帧定位信息就进行一次预测；模型使用最近获取到的m个位置坐标来估计接下来的n个位置坐标，因此在无人机作业过程中模型从接收到坐标P_m开始预测，从接收到坐标P_m+n时开始能够比较预测值与真实值来获取各时间步上的预测误差；用

表示预测模型得到的坐标点P_i初始预测值；当地面站接收到坐标P_k(k≥m+n)时，计算由预测模型得到的最近m个坐标的预测值

与其真实值[P_k-n+1,...,P_k-1,P_k]之间的差值e_k；则模型预测结果的补偿值CV_k的计算公式表示为：

CV_k＝K_P·e_k+K_I·(e_k+e_k-1)·δ+K_D·(e_k-e_k-1)/δ

式中K_P、K_I和K_D分别为比例、积分和微分系数；看到CV_k由三个部分所组成；第一个部分为比例系数K_P和误差e_k的乘积，用于产生基准补偿值；第二部分为积分系数K_I和一定时间内误差累加值的乘积，用于消除预测模型稳态误差；而最后一个部分为微分系数K_D和最近两次预测误差变化率的乘积，根据误差变化来调节补偿值以避免补偿幅值太大，这对在误差信息具有延迟的情况下加快预测模型补偿器的响应速度起着重要作用；将模型输出结果和补偿值相加得到最终的坐标预测序列

这些坐标预测序列即为无人机飞行路径。

Images