论文部分内容阅读
随着深度学习的不断发展,应用场景从计算机视觉、医疗诊断到自动驾驶等不断扩展。无人机领域中也逐渐开始使用机器学习对无人机实现精准的控制,最初使用神经网络是为了调节内部PID从而实现对无人机更稳定的飞行控制,但是由于无人机飞控板整体运算能力的限制,无法运行较为复杂的控制算法,限制了神经网络的应用范围。通过调研发现,可以借助神经网络构建当前环境中无人机机体信息和控制量机动能力之间的关系,从而在实际飞行环境中预测出无人机在指定机体情况下的控制量,实现对无人机更加精准的控制。针对上述对无人机控制的分析,运用了一种新的用于无人机飞行控制的RNN-LSTM模型,并为此开展搭建无人机控制与数据采集分析地面站平台、采集用于神经网络模型训练的数据、RNN-LSTM模型训练及应用于无人机控制的验证实验等方面的研究工作,本文具体内容包括以下几个方面:1)研制了一个基于C#的无人机控制与数据采集分析地面站,用于对无人机飞行的控制以及无人机数据的采集与分析。通过具有实时性、高精度定位的无人机控制与数据采集平台,地面站控制无人机进行多个方向的各种重复性飞行实验,从而收集无人机每个时刻的机体加速度、电量、坐标信息以及对应的无人机控制量。经过数据预处理和标准化,最终构建了具有12800组变量关系的飞行数据集。2)运用了一种新的可应用于无人机飞行控制的RNN-LSTM模型,并进行模型训练和验证对比。该模型考虑无人机的加速度、速度和电量与无人机飞行控制信息之间的复杂关系,采用多层隐藏层来实现更加精确的分析,同时利用Adam算法实现学习率的自动调整,在不减小准确率的情况下提升网络实际的训练速度。经过模型训练,该模型相比BP神经网络训练结果,在测试集中对无人机指定机体信息下的控制量的预测的精度更高。3)基于优化后的RNN-LSTM模型进行了实际场景下控制无人机进行指定路径的飞行验证。将RNN-LSTM模型装载于无人机控制与数据采集分析地面站平台,并在平台中根据直线、四边形飞行规划路径计算相应的控制量。通过RNN-LSTM模型根据对应时刻的无人机速度、电量和设定的加速度预测无人机的控制量,利用控制量控制无人机飞行得到实际的飞行轨迹数据。通过对实际飞行轨迹数据(坐标、加速度和时间等)与理论计算值(飞行距离、加速度和时间等)进行对比,预测加速度基本符合理论计算值,飞行距离存在7%的误差。经过对RNN-LSTM模型的构建、训练及实际场景的验证,该模型预测的控制信息得到的无人机机体信息与实验理论值具有较好的一致性,能够根据机体信息实现对无人机控制。