CN116542076B - 基于不稳定平台的飞行器着陆方法、装置、设备及介质 - Google Patents
基于不稳定平台的飞行器着陆方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116542076B CN116542076B CN202310770066.8A CN202310770066A CN116542076B CN 116542076 B CN116542076 B CN 116542076B CN 202310770066 A CN202310770066 A CN 202310770066A CN 116542076 B CN116542076 B CN 116542076B
- Authority
- CN
- China
- Prior art keywords
- landing
- aircraft
- information
- data
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013178 mathematical model Methods 0.000 claims abstract description 45
- 230000000007 visual effect Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims description 70
- 238000000605 extraction Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000009877 rendering Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 21
- 238000004088 simulation Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 14
- 230000007613 environmental effect Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于不稳定平台的飞行器着陆方法、装置、设备及介质，涉及飞行器控制技术领域，包括获取第一信息和第二信息，第一信息包括当前飞行器状态信息，第二信息包括历史飞行器着陆数据；根据历史飞行器着陆数据构建得到降落预测数学模型；将第一信息作为降落预测数学模型的输入值，计算得到降落时间窗口；根据预设的可视化数学模型生成三维可视化图像；根据三维可视化图像得到降落安全等级信息；根据当前飞行器状态信息、当前环境信息和安全等级信息生成用于指导飞行器降落的引导信号。本发明通过对历史飞行器着陆数据的分析和学习，能够准确预测出飞行器的降落时间窗口，避免因时间窗口的不准确导致的降落失败或者事故。
Description
技术领域
本发明涉及飞行器控制技术领域，具体而言，涉及一种基于不稳定平台的飞行器着陆方法、装置、设备及介质。
背景技术
在现代航空领域，飞行器的着陆是一个复杂且关键的环节，尤其是在不稳定的平台上，如海上航母或者空中加油飞机上，飞行器的着陆更是充满了挑战。现有的飞行器着陆技术主要依赖于飞行员的经验和技能，以及一些基本的飞行器控制***。然而，这些技术存在一些明显的缺点。现有着陆方法对飞行员的技能和经验要求很高，并且这些技术往往无法准确预测飞行器的降落时间窗口，可能会导致飞行器在降落过程中出现意外。
基于上述问题，现需要一种基于不稳定平台的飞行器着陆方法。
发明内容
本发明的目的在于提供一种基于不稳定平台的飞行器着陆方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种基于不稳定平台的飞行器着陆方法，包括：
获取第一信息和第二信息，所述第一信息包括当前飞行器状态信息、当前环境信息和当前着陆平台参数，所述第二信息包括历史飞行器着陆数据；
根据所述历史飞行器着陆数据构建得到降落预测数学模型；
将所述第一信息作为所述降落预测数学模型的输入值，计算得到降落时间窗口；
根据预设的可视化数学模型对所述降落时间窗口和当前着陆平台参数进行处理，生成包含飞行路径和降落区域的三维可视化图像；
根据所述三维可视化图像评估降落区域的安全性得到降落安全等级信息；
根据所述当前飞行器状态信息、所述当前环境信息和所述安全等级信息生成用于指导飞行器降落的引导信号。
第二方面，本申请还提供了基于不稳定平台的飞行器着陆装置，包括：
获取模块，用于获取第一信息和第二信息，所述第一信息包括当前飞行器状态信息、当前环境信息和当前着陆平台参数，所述第二信息包括历史飞行器着陆数据；
构建模块，用于根据所述历史飞行器着陆数据构建得到降落预测数学模型；
计算模块，用于将所述第一信息作为所述降落预测数学模型的输入值，计算得到降落时间窗口；
生成模块，用于根据预设的可视化数学模型对所述降落时间窗口和当前着陆平台参数进行处理，生成包含飞行路径和降落区域的三维可视化图像；
评估模块，用于根据所述三维可视化图像评估降落区域的安全性得到降落安全等级信息；
输出模块，用于根据所述当前飞行器状态信息、所述当前环境信息和所述安全等级信息生成用于指导飞行器降落的引导信号。
第三方面，本申请还提供了一种基于不稳定平台的飞行器着陆设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述基于不稳定平台的飞行器着陆方法的步骤。
第四方面，本申请还提供了一种介质，所述介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于不稳定平台的飞行器着陆方法的步骤。
本发明的有益效果为：
本发明通过对历史飞行器着陆数据的分析和学习，能够准确预测出飞行器的降落时间窗口，从而提前做好降落准备，避免因时间窗口的不准确导致的降落失败或者事故；通过生成用于指导飞行器降落的引导信号，能够减轻飞行员的工作负担，使飞行员能够更加专注于飞行器的控制，提高飞行的安全性。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的基于不稳定平台的飞行器着陆方法流程示意图;
图2为本发明实施例中所述的基于不稳定平台的飞行器着陆装置结构示意图；
图3为本发明实施例中所述的基于不稳定平台的飞行器着陆设备结构示意图。
图中标记：1、获取模块；2、构建模块；21、第一提取单元；22、第一转换单元；23、第一预测单元；24、第一优化单元；3、计算模块；31、第一整合单元；32、第二提取单元；33、第二预测单元；34、第二优化单元；4、生成模块；41、第一融合单元；42、第三提取单元；43、第一建模单元；44、第一渲染单元；5、评估模块；51、第一构建单元；52、第一仿真单元；53、第一匹配单元；54、第一划分单元；6、输出模块；61、第一编码单元；62、第一映射单元；63、第一调整单元；64、第一处理单元；800、基于不稳定平台的飞行器着陆设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
本实施例提供了一种基于不稳定平台的飞行器着陆方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500和步骤S600。
步骤S100、获取第一信息和第二信息，第一信息包括当前飞行器状态信息、当前环境信息和当前着陆平台参数，第二信息包括历史飞行器着陆数据。
可以理解的是，在本步骤中，***首先获取两类重要的信息。第一类信息是当前飞行器的状态信息，这包括飞行器的速度、高度、姿态等参数。同时，***还需要获取当前的环境信息，如风速、风向、温度、湿度等，这些环境因素可能会影响飞行器的降落过程。此外，***还需要获取当前着陆平台的参数，如平台的大小、形状、稳定性等，这些参数会影响飞行器的降落安全性。第二类信息是历史飞行器着陆数据，这包括过去飞行器在相似环境和状态下的降落数据。这些历史数据可以用来训练预测模型，使得模型能够根据当前的飞行器状态信息、环境信息和着陆平台参数，预测出飞行器的降落时间窗口。
步骤S200、根据历史飞行器着陆数据构建得到降落预测数学模型。
可以理解的是，在本步骤中，降落预测数学模型可以根据输入的飞行器状态信息、环境信息和着陆平台参数，预测出飞行器的降落时间窗口。通过这种方式，可以利用历史数据来学习和理解飞行器降落的规律，从而提高降落预测的准确性。需要说明的是，步骤S200包括步骤S210、步骤S220、步骤S230和步骤S240。
步骤S210、根据历史飞行器着陆数据中的历史飞行器状态信息、历史环境信息、历史着陆平台参数和最终降落状况进行基于相关性分析和主成分分析的特征选择处理，得到第一特征数据。
可以理解的是，相关性分析可以测量两个或多个变量之间的相关程度，在本步骤中，通过分析历史飞行器状态信息、历史环境信息、历史着陆平台参数和最终降落状况之间的相关性，以确定哪些变量对飞行器的降落状况有最大的影响。主成分分析（PCA）可以将多个相关的变量转化为几个无关的变量。在本步骤中，使用主成分分析法来提取出最重要的特征，这些特征可以最大程度地保留原始数据的信息。通过这两种方法，***可以从大量的历史数据中提取出最关键的特征，这些特征被称为第一特征数据。这些第一特征数据将被用于后续的模型训练和预测过程。
步骤S220、将第一特征数据进行特征转换处理，得到降维并标准化的第二特征数据。
可以理解的是，飞行器着陆是一个复杂的过程，涉及到多种类型的信息，如飞行器的状态信息、环境信息、着陆平台参数等。这些信息在原始形态下可能存在着高维度和不同的量纲，这对于后续的模型训练和预测会带来一定的困难。本步骤首先进行了特征降维处理，从高维的原始数据中提取出最关键的特征，同时减少数据的维度，这样不仅可以降低计算复杂度，提高模型训练和预测的效率，而且还能够避免因维度过高导致的过拟合问题。接下来，***进行了特征标准化处理。通过将特征数据转换为均值为0，标准差为1的数据，可以消除不同特征之间的量纲和数值范围差异，使得不同的特征在模型训练中具有相同的权重。这样可以避免因为某些特征的数值范围过大，而导致模型过于依赖这些特征，忽视了其他特征的影响。涉及公式如下：
；
；
其中，表示标准化后的特征数据；X表示原始特征数据；v表示飞行器速度；h表示飞行器高度；/>表示飞行器角度；/>表示风速；/>表示风向；T表示温度；H表示湿度；S表示着陆平台的稳定性；/>表示均值向量；/>表示标准差向量。
步骤S230、基于预设的变压器数学模型对第二特征数据进行序列预测处理得到预测结果，预测结果表示飞行器在未来某个时间窗口内是否可以安全降落。
可以理解的是，飞行器着陆的安全性不仅与当前的状态和环境有关，还与未来的状态和环境变化有关。例如，如果预测未来的风速会增大，那么飞行器可能需要提前调整飞行路径以避免风险。因此，预测未来的状态和环境变化对于飞行器着陆的安全性至关重要。变压器模型是一种基于自注意力机制的深度学习模型，它可以捕捉序列数据中的长距离依赖关系，因此非常适合处理飞行器着陆这种涉及到时间序列预测的问题。在本步骤中，首先将第二特征数据输入到变压器模型中，然后模型会输出一个预测结果。这个预测结果表示飞行器在未来某个时间窗口内是否可以安全降落。如果预测结果为正，表示可以安全降落；如果预测结果为负，表示不能安全降落。这个预测结果将被用于后续的模型优化和引导信号生成过程，以实现更准确和有效的飞行器着陆预测。
步骤S240、根据预测结果和历史飞行器着陆数据进行基于交叉验证的模型优化处理，得到降落预测模型。
可以理解的是，在本步骤中，交叉验证是一种统计学上的模型验证方法，它的主要目的是评估模型对于独立数据集的预测性能，以避免过拟合。在飞行器着陆的场景中，因为飞行器着陆涉及到的环境因素和飞行状态复杂多变，模型需要具有很好的泛化能力才能在各种情况下都能做出准确的预测。在本步骤中，将历史飞行器着陆数据分为训练集和验证集。训练集用于训练模型，而验证集则用于评估模型的预测性能。首先根据预测结果和训练集数据，训练出一个初步的降落预测模型。然后将这个模型应用到验证集数据上，得到预测结果。通过比较这个预测结果和验证集数据的实际结果，以评估模型的预测误差。最后根据预测误差对模型进行优化处理，以得到最终的降落预测模型。
步骤S300、将第一信息作为降落预测数学模型的输入值，计算得到降落时间窗口。
可以理解的是，在本步骤中，将第一信息输入到降落预测数学模型中，通过模型的计算得到降落时间窗口。这个时间窗口可以预测飞行器在未来某个时间段内是否可以安全降落，从而为飞行器的着陆提供重要的决策依据。需要说明的是，步骤S300包括步骤S310、步骤S320、步骤S330和步骤S340。
步骤S310、根据第一信息中进行图形化数据整合处理，得到图形化的输入数据，输入数据包括至少一个三维输入数据图形，三维输入数据图形中的每个维度表示一种类型的信息。
可以理解的是，在飞行器着陆的场景中，飞行器的状态信息、环境信息以及着陆平台参数等多种信息都是非常重要的。然而，这些信息在原始形态下可能存在着高维度和复杂的关联性，这对于后续的模型训练和预测会带来一定的困难。在本步骤中，首先进行了图形化数据整合处理，通过将这些信息整合在一个三维图形中，可以更直观地理解和分析这些信息。在这个三维图形中，每个维度都表示一种类型的信息，优选地，三个维度可以分别表示飞行器的速度、飞行器的高度和飞行器的角度等。通过这个步骤，可以得到了图形化的输入数据，这些数据将被用于后续的模型训练和预测过程，以实现更准确和有效的飞行器着陆预测。
步骤S320、根据预设的图卷积神经网络数学模型对输入数据进行特征提取处理，得到输入特征数据。
可以理解的是，在本步骤中采用了图卷积神经网络数学模型进行特征提取。图卷积神经网络是一种能够处理图形数据的深度学***台参数等信息整合在一个三维图形中，然后通过图卷积神经网络模型提取出这个三维图形中的关键特征。
步骤S330、根据预设的支持向量机数学模型对输入特征数据进行预测处理，得到初步降落时间窗口预测结果。
可以理解的是，在本步骤中，首先使用历史飞行器着陆数据作为训练样本进行特征缩放，以确保各个特征具有相同的量纲。这可以避免某些特征对模型的影响过大，导致其他特征的影响被忽略。接下来，选择合适的核函数（例如线性核、多项式核或高斯核）来建立支持向量机模型。通过调整模型的超参数，如正则化参数和核函数参数优化模型的性能，并提高其对时间窗口预测的准确性。在训练过程中，支持向量机模型通过学***台参数，预测飞行器在未来某个时间窗口内是否可以安全降落。这样的预测结果为飞行器操作人员提供了重要的决策依据，以确保着陆过程的安全性和准确性。
步骤S340、根据初步降落时间窗口预测结果进行滤波优化处理，得到降落时间窗口预测结果。
可以理解的是，滤波优化的目标是在保持预测结果的准确性的同时，平滑预测值的变化，使其更符合实际情况。这样可以避免由于预测结果的突然变化导致的误判和不稳定性。通过滤波优化处理，可以得到经过调整和平滑的降落时间窗口预测结果，提供给飞行器操作人员作为决策依据。在本步骤中，滤波优化不仅可以提高预测结果的准确性，还可以减少由于预测误差和不确定性导致的误判和风险。
步骤S400、根据预设的可视化数学模型对降落时间窗口和当前着陆平台参数进行处理，生成包含飞行路径和降落区域的三维可视化图像。
可以理解的是，在本步骤中，将复杂的数据转化为直观的可视化结果，为飞行器着陆提供直观的引导和评估依据。三维可视化图像可以提供直观的信息，如飞行路径的走向、降落区域的形状和结构等。操作人员可以通过观察和分析这个可视化图像，更好地了解飞行器的着陆环境和条件，以及可能的障碍物和风险因素。需要说明的是，步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。
步骤S410、根据降落时间窗口和当前着陆平台参数进行数据融合处理，得到融合后的降落信息。
可以理解的是，在本步骤中，将降落时间窗口和当前着陆平台参数进行数据融合处理。具体地，将两者进行合并、拼接或计算，以生成一个综合的降落信息数据集。这样可以在后续的处理步骤中使用这个融合后的数据集，以获取更全面和准确的信息。通过融合降落时间窗口和当前着陆平台参数，能够更好地了解着陆的时间限制和着陆平台的情况，有助于更精确地确定飞行器的降落策略和路径规划。同时，这个融合后的降落信息也为后续的可视化处理和安全评估提供了基础数据。涉及的公式如下：
；
其中，M表示融合后的降落信息；N表示数据点的数量；i表示数据点的序号；表示第i个数据点的降落时间窗口；/>表示第i个数据点的着陆平台稳定性；/>表示第i个数据点的飞行器速度；/>表示第i个数据点的飞行器与着陆平台间的距离；/>表示第i个数据点的进场角度；/>表示与第i个数据点相关联的权重；/>表示指数因子，用于调整降落时间窗口和着陆平台稳定性的影响。
步骤S420、根据降落信息进行特征提取处理，得到降落特征数据。
可以理解的是，在本步骤中，通过特征提取将复杂的降落信息转化为更具有表征能力的特征表示，从而减少数据的维度和冗余性，并突出反映降落过程中的重要特征。
步骤S430、根据预设的三维卷积神经网络数学模型和降落特征数据进行建模处理，得到飞行路径和降落区域的三维模型。
可以理解的是，在本步骤中，利用卷积神经网络模型对降落特征数据进行学习和分析，从而推断出最优的飞行路径和降落区域。通过建模过程，能够从降落特征数据中提取出空间和时间上的模式和关联性，进而预测出适合当前飞行器状态和环境条件的飞行路径和降落区域。最终得到的三维模型能够直观地展示飞行器的理想路径和安全降落区域，为飞行器着陆提供了有力的参考和指导。
步骤S440、根据三维模型进行渲染和优化处理，生成包含飞行路径和降落区域的三维可视化图像。
可以理解的是，在本步骤中，首先进行渲染处理，将模型中的几何信息、纹理和光照等综合起来，生成真实感和逼真的图像。然后进行优化处理，通过调整参数和算法，使得可视化图像更加清晰、平滑和具有良好的视觉效果。最终生成的三维可视化图像可以提供飞行器着陆过程中的飞行路径和降落区域的可视化展示，使操作人员能够直观地了解着陆情况，提供准确的指导和决策依据。
步骤S500、根据三维可视化图像评估降落区域的安全性得到降落安全等级信息。
可以理解的是，在本步骤中基于三维可视化图像中的信息，包括飞行路径、降落区域的地形、障碍物、着陆平台的稳定性等，综合考虑这些因素对着陆的影响。通过应用预设的深度学习数学模型和算法，对降落区域进行风险评估，将不同的区域划分为不同的安全等级，如高风险、中风险和低风险等级。评估结果可以提供操作人员关于降落区域的安全性信息，帮助其做出明智的决策，并采取适当的措施确保飞行器的安全着陆。需要说明的是，步骤S500包括步骤S510、步骤S520、步骤S530和步骤S540。
步骤S510、根据预设的深度学习数学模型对三维可视化图像进行场景构建处理，得到至少一种降落场景模型。
可以理解的是，在本步骤中，通过应用深度学***台等，并对它们进行建模和分析。***可以根据图像中的几何结构、纹理、颜色等信息，推断出场景的物理属性和特征。根据应用场景的需求，***可以生成多个降落场景模型，每个模型代表着不同的环境条件和配置。通过场景构建处理，能够更加准确地描述降落区域的特征，为后续的降落安全性评估提供更可靠的基础。同时，生成的降落场景模型还可以用于仿真、训练和决策支持等用途，为飞行器着陆过程的优化和改进提供参考。
步骤S520、根据每一种降落场景模型进行基于物理引擎的三维仿真处理得到降落仿真结果，并对降落仿真结果进行风险评估，得到各场景的风险程度。
可以理解的是，在本步骤中，利用物理引擎技术对降落场景模型中的物体和环境进行物理模拟。通过考虑重力、摩擦力、空气阻力等物理因素，***能够准确地模拟飞行器在不同场景下的运动和相互作用。仿真过程中，***会考虑飞行器的速度、角度、姿态等参数，以及环境的风速、风向、温度、湿度等因素，以更真实地还原实际的降落情况。通过进行三维仿真，获取飞行器在每种场景下的降落仿真结果，这些结果包括飞行器的轨迹、速度、加速度等信息，以及与环境和着陆平台的交互情况，并且还会对这些仿真结果进行风险评估，以评估每个场景的降落风险程度。评估过程中，***会考虑飞行器的稳定性、接触力、碰撞风险等因素，综合分析各个方面的风险，从而确定每个场景的风险程度。通过基于物理引擎的三维仿真和风险评估，能够提供关于各个降落场景的风险程度信息，为后续的安全等级划分和引导信号生成提供依据。
步骤S530、根据三维可视化图像中的当前降落方式和各场景的风险程度进行场景匹配得到匹配结果，匹配结果包括当前降落方式对应的场景及其风险程度。
可以理解的是，在本步骤中，首先分析当前降落方式在三维可视化图像中的特征和行为，例如飞行器的姿态、速度、角度等参数。然后，将当前降落方式与各个降落场景的风险程度进行比较和匹配。匹配过程中，考虑当前降落方式与场景的相似性和一致性。相似性指的是当前降落方式与场景的特征和行为是否相近，例如飞行器的速度和角度是否与场景中的特征相匹配。一致性指的是当前降落方式与场景的风险程度是否一致，即当前降落方式是否在场景的风险程度范围内。通过场景匹配，可以得到当前降落方式对应的最匹配场景及其风险程度。
步骤S540、根据匹配结果进行安全等级划分处理，得到降落安全等级信息。
可以理解的是，在本步骤中，根据匹配结果中的场景标识和风险程度指示，结合事先定义的安全等级标准，对降落区域进行评估。根据降落区域在匹配场景中的风险程度，***将其划分为相应的安全等级，例如高风险区域、中风险区域和低风险区域等。划分安全等级时，需要考虑匹配场景中的风险程度以及飞行器降落的安全要求。不同的安全等级对应着不同的风险程度，操作员和***决策者可以根据降落安全等级信息来选择合适的降落策略和采取相应的措施，以确保飞行器的安全降落。
步骤S600、根据当前飞行器状态信息、当前环境信息和安全等级信息生成用于指导飞行器降落的引导信号。
可以理解的是，在本步骤中，引导信号不仅用于指示飞行器的降落操作和行为，还会根据环境信息和安全等级信息进行相应的调整，以增强其显示效果，确保飞行员能够准确地感知和理解引导信号的重要性，避免忽略或误解。需要说明的是，步骤S600包括步骤S610、步骤S620、步骤S630和步骤S640。
步骤S610、根据安全等级信息进行编码处理得到编码数据。
可以理解的是，在本步骤中，将安全等级信息转化为一种便于传输和处理的形式，使其能够在后续的引导信号生成过程中方便地进行处理和解读。通过编码，可以将安全等级信息与具体的引导信号属性关联起来，以便能够根据编码数据生成相应的引导信号。
步骤S620、根据编码数据和预设的颜色映射规则进行信号映射处理，得到初步引导信号。
可以理解的是，在本步骤中，根据预设的颜色映射规则，将每个编码数据映射到相应的颜色上。不同的编码值或编码符号对应着不同的颜色，这些颜色代表不同的指示、警示或提示意义。这些颜色信号可以直接展示给飞行员或相关操作人员，用于指导飞行器的降落操作。通过颜色的变化和显示效果，飞行员可以快速、直观地了解当前的降落情况和安全等级。
步骤S630、根据当前环境信息中的光照和天气信息对初步引导信号进行亮度调整处理，得到调整引导信号。
可以理解的是，在本步骤中通过获取当前环境信息中的光照强度、光照角度、天气状况等数据，并将其作为调整引导信号的依据。根据环境信息的不同，***可以对初步引导信号的亮度进行相应的调整。例如，在光照较强的环境下，***可以增加引导信号的亮度，使其更加明亮和醒目，以便在明亮的光线下清晰可见。而在光照较暗的环境下，***可以降低引导信号的亮度，避免因过亮的信号而造成视觉干扰。还可以根据天气信息对引导信号的亮度进行调整。例如，在雨天或雾天等视野受限的情况下，***可以适当增加引导信号的亮度，以提高可见性和辨识度。
步骤S640、根据当前飞行器状态信息中的速度和距离数据对调整引导信号进行颜色饱和度处理，得到最终的引导信号。
可以理解的是，在本步骤中，根据飞行器的速度和距离数据，***可以对引导信号的颜色饱和度进行相应的调整。例如，当飞行器速度较高或距离目标较远时，增加引导信号的颜色饱和度，使其更加鲜明和饱满，以吸引飞行员的注意并提醒其与目标保持适当的距离。当飞行器速度较低或距离目标较近时，降低引导信号的颜色饱和度，以避免因过于鲜艳的颜色而造成的视觉干扰。通过对调整引导信号进行速度和距离数据的颜色饱和度处理，能够根据当前飞行器的状态和位置信息，以直观的方式呈现引导信号的视觉效果。
实施例2
如图2所示，本实施例提供了一种基于不稳定平台的飞行器着陆装置，装置包括：
获取模块1，用于获取第一信息和第二信息，第一信息包括当前飞行器状态信息、当前环境信息和当前着陆平台参数，第二信息包括历史飞行器着陆数据。
构建模块2，用于根据历史飞行器着陆数据构建得到降落预测数学模型。
计算模块3，用于将第一信息作为降落预测数学模型的输入值，计算得到降落时间窗口。
生成模块4，用于根据预设的可视化数学模型对降落时间窗口和当前着陆平台参数进行处理，生成包含飞行路径和降落区域的三维可视化图像。
评估模块5，用于根据三维可视化图像评估降落区域的安全性得到降落安全等级信息。
输出模块6，用于根据当前飞行器状态信息、当前环境信息和安全等级信息生成用于指导飞行器降落的引导信号。
在本公开的一种具体实施方式中，构建模块2包括：
第一提取单元21，用于根据历史飞行器着陆数据中的历史飞行器状态信息、历史环境信息、历史着陆平台参数和最终降落状况进行基于相关性分析和主成分分析的特征选择处理，得到第一特征数据。
第一转换单元22，用于将第一特征数据进行特征转换处理，得到降维并标准化的第二特征数据。
第一预测单元23，基于预设的变压器数学模型对第二特征数据进行序列预测处理得到预测结果，预测结果表示飞行器在未来某个时间窗口内是否可以安全降落。
第一优化单元24，应用于根据预测结果和历史飞行器着陆数据进行基于交叉验证的模型优化处理，得到降落预测模型。
在本公开的一种具体实施方式中，计算模块3包括：
第一整合单元31，用于根据第一信息中进行图形化数据整合处理，得到图形化的输入数据，输入数据包括至少一个三维输入数据图形，三维输入数据图形中的每个维度表示一种类型的信息。
第二提取单元32，用于根据预设的图卷积神经网络数学模型对输入数据进行特征提取处理，得到输入特征数据。
第二预测单元33，用于根据预设的支持向量机数学模型对输入特征数据进行预测处理，得到初步降落时间窗口预测结果。
第二优化单元34，用于根据初步降落时间窗口预测结果进行滤波优化处理，得到降落时间窗口预测结果。
在本公开的一种具体实施方式中，生成模块4包括：
第一融合单元41，用于根据降落时间窗口和当前着陆平台参数进行数据融合处理，得到融合后的降落信息。
第三提取单元42，用于根据降落信息进行特征提取处理，得到降落特征数据。
第一建模单元43，用于根据预设的三维卷积神经网络数学模型和降落特征数据进行建模处理，得到飞行路径和降落区域的三维模型。
第一渲染单元44，用于根据三维模型进行渲染和优化处理，生成包含飞行路径和降落区域的三维可视化图像。
在本公开的一种具体实施方式中，评估模块5包括：
第一构建单元51，用于根据预设的深度学习数学模型对三维可视化图像进行场景构建处理，得到至少一种降落场景模型。
第一仿真单元52，用于根据每一种降落场景模型进行基于物理引擎的三维仿真处理得到降落仿真结果，并对降落仿真结果进行风险评估，得到各场景的风险程度。
第一匹配单元53，用于根据三维可视化图像中的当前降落方式和各场景的风险程度进行场景匹配得到匹配结果，匹配结果包括当前降落方式对应的场景及其风险程度。
第一划分单元54，用于根据匹配结果进行安全等级划分处理，得到降落安全等级信息。
在本公开的一种具体实施方式中，输出模块6包括：
第一编码单元61，用于根据安全等级信息进行编码处理得到编码数据。
第一映射单元62，用于根据编码数据和预设的颜色映射规则进行信号映射处理，得到初步引导信号。
第一调整单元63，用于根据当前环境信息中的光照和天气信息对初步引导信号进行亮度调整处理，得到调整引导信号。
第一处理单元64，用于根据当前飞行器状态信息中的速度和距离数据对调整引导信号进行颜色饱和度处理，得到最终的引导信号。
实施例3
相应于上面的方法实施例，本实施例中还提供了一种基于不稳定平台的飞行器着陆设备，下文描述的一种基于不稳定平台的飞行器着陆设备与上文描述的一种基于不稳定平台的飞行器着陆方法可相互对应参照。
图3是根据示例性实施例示出的一种基于不稳定平台的飞行器着陆设备800的框图。如图3所示，该基于不稳定平台的飞行器着陆设备800可以包括：处理器801，存储器802。该基于不稳定平台的飞行器着陆设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该基于不稳定平台的飞行器着陆设备800的整体操作，以完成上述的基于不稳定平台的飞行器着陆方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于不稳定平台的飞行器着陆设备800的操作，这些数据例如可以包括用于在该基于不稳定平台的飞行器着陆设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于不稳定平台的飞行器着陆设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，基于不稳定平台的飞行器着陆设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于不稳定平台的飞行器着陆方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于不稳定平台的飞行器着陆方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于不稳定平台的飞行器着陆设备800的处理器801执行以完成上述的基于不稳定平台的飞行器着陆方法。
实施例4
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于不稳定平台的飞行器着陆方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于不稳定平台的飞行器着陆方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于不稳定平台的飞行器着陆方法，其特征在于，包括：
获取第一信息和第二信息，所述第一信息包括当前飞行器状态信息、当前环境信息和当前着陆平台参数，所述第二信息包括历史飞行器着陆数据；
根据所述历史飞行器着陆数据构建得到降落预测数学模型；
将所述第一信息作为所述降落预测数学模型的输入值，计算得到降落时间窗口；
根据预设的可视化数学模型对所述降落时间窗口和当前着陆平台参数进行处理，生成包含飞行路径和降落区域的三维可视化图像；
根据所述三维可视化图像评估降落区域的安全性得到降落安全等级信息；
根据所述当前飞行器状态信息、所述当前环境信息和所述安全等级信息生成用于指导飞行器降落的引导信号；
其中，根据预设的可视化数学模型对所述降落时间窗口和当前着陆平台参数进行处理，生成包含飞行路径和降落区域的三维可视化图像，包括：
根据所述降落时间窗口和所述当前着陆平台参数进行数据融合处理，得到融合后的降落信息；
根据所述降落信息进行特征提取处理，得到降落特征数据；
根据预设的三维卷积神经网络数学模型和所述降落特征数据进行建模处理，得到飞行路径和降落区域的三维模型；
根据所述三维模型进行渲染和优化处理，生成包含飞行路径和降落区域的三维可视化图像。
2.根据权利要求1所述的基于不稳定平台的飞行器着陆方法，其特征在于，根据所述历史飞行器着陆数据构建得到降落预测数学模型，包括：
根据所述历史飞行器着陆数据中的历史飞行器状态信息、历史环境信息、历史着陆平台参数和最终降落状况进行基于相关性分析和主成分分析的特征选择处理，得到第一特征数据；
将所述第一特征数据进行特征转换处理，得到降维并标准化的第二特征数据；
基于预设的变压器数学模型对所述第二特征数据进行序列预测处理得到预测结果，所述预测结果表示飞行器在未来某个时间窗口内是否可以安全降落；
根据预测结果和历史飞行器着陆数据进行基于交叉验证的模型优化处理，得到降落预测模型。
3.根据权利要求1所述的基于不稳定平台的飞行器着陆方法，其特征在于，将所述第一信息作为所述降落预测数学模型的输入值，计算得到降落时间窗口，包括：
根据所述第一信息中进行图形化数据整合处理，得到图形化的输入数据，所述输入数据包括至少一个三维输入数据图形，所述三维输入数据图形中的每个维度表示一种类型的信息；
根据预设的图卷积神经网络数学模型对所述输入数据进行特征提取处理，得到输入特征数据；
根据预设的支持向量机数学模型对所述输入特征数据进行预测处理，得到初步降落时间窗口预测结果；
根据所述初步降落时间窗口预测结果进行滤波优化处理，得到降落时间窗口预测结果。
4.一种基于不稳定平台的飞行器着陆装置，其特征在于，包括：
获取模块，用于获取第一信息和第二信息，所述第一信息包括当前飞行器状态信息、当前环境信息和当前着陆平台参数，所述第二信息包括历史飞行器着陆数据；
构建模块，用于根据所述历史飞行器着陆数据构建得到降落预测数学模型；
计算模块，用于将所述第一信息作为所述降落预测数学模型的输入值，计算得到降落时间窗口；
生成模块，用于根据预设的可视化数学模型对所述降落时间窗口和当前着陆平台参数进行处理，生成包含飞行路径和降落区域的三维可视化图像；
评估模块，用于根据所述三维可视化图像评估降落区域的安全性得到降落安全等级信息；
输出模块，用于根据所述当前飞行器状态信息、所述当前环境信息和所述安全等级信息生成用于指导飞行器降落的引导信号；
其中，所述生成模块包括：
第一融合单元，用于根据所述降落时间窗口和所述当前着陆平台参数进行数据融合处理，得到融合后的降落信息；
第三提取单元，用于根据所述降落信息进行特征提取处理，得到降落特征数据；
第一建模单元，用于根据预设的三维卷积神经网络数学模型和所述降落特征数据进行建模处理，得到飞行路径和降落区域的三维模型；
第一渲染单元，用于根据所述三维模型进行渲染和优化处理，生成包含飞行路径和降落区域的三维可视化图像。
5.根据权利要求4所述的基于不稳定平台的飞行器着陆装置，其特征在于，所述构建模块包括：
第一提取单元，用于根据所述历史飞行器着陆数据中的历史飞行器状态信息、历史环境信息、历史着陆平台参数和最终降落状况进行基于相关性分析和主成分分析的特征选择处理，得到第一特征数据；
第一转换单元，用于将所述第一特征数据进行特征转换处理，得到降维并标准化的第二特征数据；
第一预测单元，基于预设的变压器数学模型对所述第二特征数据进行序列预测处理得到预测结果，所述预测结果表示飞行器在未来某个时间窗口内是否可以安全降落；
第一优化单元，应用于根据预测结果和历史飞行器着陆数据进行基于交叉验证的模型优化处理，得到降落预测模型。
6.根据权利要求4所述的基于不稳定平台的飞行器着陆装置，其特征在于，所述计算模块包括：
第一整合单元，用于根据所述第一信息中进行图形化数据整合处理，得到图形化的输入数据，所述输入数据包括至少一个三维输入数据图形，所述三维输入数据图形中的每个维度表示一种类型的信息；
第二提取单元，用于根据预设的图卷积神经网络数学模型对所述输入数据进行特征提取处理，得到输入特征数据；
第二预测单元，用于根据预设的支持向量机数学模型对所述输入特征数据进行预测处理，得到初步降落时间窗口预测结果；
第二优化单元，用于根据所述初步降落时间窗口预测结果进行滤波优化处理，得到降落时间窗口预测结果。
7.一种基于不稳定平台的飞行器着陆设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述基于不稳定平台的飞行器着陆方法的步骤。
8.一种介质，其特征在于：所述介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述基于不稳定平台的飞行器着陆方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310770066.8A CN116542076B (zh) | 2023-06-28 | 2023-06-28 | 基于不稳定平台的飞行器着陆方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310770066.8A CN116542076B (zh) | 2023-06-28 | 2023-06-28 | 基于不稳定平台的飞行器着陆方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116542076A CN116542076A (zh) | 2023-08-04 |
| CN116542076B true CN116542076B (zh) | 2023-09-12 |
Family
ID=87452759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310770066.8A Active CN116542076B (zh) | 2023-06-28 | 2023-06-28 | 基于不稳定平台的飞行器着陆方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116542076B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070679B (zh) * | 2024-04-17 | 2024-07-09 | 中国人民解放军海军航空大学 | 一种飞行器降落评估***及评估方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017162514A (ja) * | 2017-06-09 | 2017-09-14 | 国立研究開発法人宇宙航空研究開発機構 | 着陸判断支援システム、着陸判断支援方法、及び着陸判断支援プログラム |
| CN108399797A (zh) * | 2017-02-08 | 2018-08-14 | 空客直升机 | 用于辅助飞行器进行着陆的***和方法以及对应的飞行器 |
| US10202204B1 (en) * | 2016-03-25 | 2019-02-12 | AAR Aerospace Consulting, LLC | Aircraft-runway total energy measurement, monitoring, managing, safety, and control system and method |
| CN114677860A (zh) * | 2020-12-24 | 2022-06-28 | 通用电气航空***有限责任公司 | 用于需要紧急着陆的飞行器的决策支持*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9547990B2 (en) * | 2014-08-21 | 2017-01-17 | Honeywell International Inc. | Rotary-wing aircraft emergency landing control |
-
2023
- 2023-06-28 CN CN202310770066.8A patent/CN116542076B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10202204B1 (en) * | 2016-03-25 | 2019-02-12 | AAR Aerospace Consulting, LLC | Aircraft-runway total energy measurement, monitoring, managing, safety, and control system and method |
| CN108399797A (zh) * | 2017-02-08 | 2018-08-14 | 空客直升机 | 用于辅助飞行器进行着陆的***和方法以及对应的飞行器 |
| JP2017162514A (ja) * | 2017-06-09 | 2017-09-14 | 国立研究開発法人宇宙航空研究開発機構 | 着陸判断支援システム、着陸判断支援方法、及び着陸判断支援プログラム |
| CN114677860A (zh) * | 2020-12-24 | 2022-06-28 | 通用电气航空***有限责任公司 | 用于需要紧急着陆的飞行器的决策支持*** |
Non-Patent Citations (1)
| Title |
|---|
| 空地数据实时传输下的飞机着陆风险预警方法;王岩韬 等;《工程科学学报》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116542076A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Haq et al. | Comparing offline and online testing of deep neural networks: An autonomous car case study | |
| CN116542076B (zh) | 基于不稳定平台的飞行器着陆方法、装置、设备及介质 | |
| EP3757895A1 (en) | Method for estimating a global uncertainty of a neural network | |
| CN116359218B (zh) | 一种工业聚集区大气污染移动监测*** | |
| EP3786839A1 (en) | Method and system for prediction and mitigation of spontaneous combustion in coal stock piles | |
| CN112149962A (zh) | 一种施工事故致因行为的风险定量评估方法及*** | |
| US20220266854A1 (en) | Method for Operating a Driver Assistance System of a Vehicle and Driver Assistance System for a Vehicle | |
| CN116453438A (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
| CA3192118A1 (en) | Trajectory value learning for autonomous systems | |
| You et al. | DMRVisNet: Deep multihead regression network for pixel-wise visibility estimation under foggy weather | |
| Seo et al. | Temporary traffic control device detection for road construction projects using deep learning application | |
| CN117152102B (zh) | 一种焦炉废气砣杆工作状态的检测方法和*** | |
| CN116872961B (zh) | 用于智能驾驶车辆的控制*** | |
| CN117669384A (zh) | 基于物联网的温度传感器生产智能监测方法及*** | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与*** | |
| Wang et al. | Ship encounter scenario generation for collision avoidance algorithm testing based on AIS data | |
| US20240248827A1 (en) | Tools for testing autonomous vehicle planners | |
| CN117377947A (zh) | 自主车辆规划器性能测试工具 | |
| US20240256419A1 (en) | Tools for performance testing autonomous vehicle planners | |
| CN117461025A (zh) | 自主车辆规划器性能测试工具 | |
| US20240248824A1 (en) | Tools for performance testing autonomous vehicle planners | |
| Fisher et al. | Deep learning with uncertainty quantification for slum mapping using satellite imagery | |
| CN117909851B (zh) | 具有抗干扰能力的航班延误原因智能识别方法及*** | |
| CN117413254A (zh) | 自主车辆规划器测试工具 | |
| US20240043022A1 (en) | Method, system, and computer program product for objective assessment of the performance of an adas/ads system |
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 |