[发明专利]一种无人直升机模型在线学习方法及系统

说明书

本发明公开了一种无人直升机模型在线学习方法及系统，属于无人机技术领域，包括：根据固定世界参考坐标系和以无人直升机质心为原点建立的随体坐标系，构建具有不确定项的无人直升机模型；利用无人直升机历史飞行数据对两个残差卷积子网络进行训练，得到训练好的两个子网络；利用训练好的两个子网络和动态哈达玛积层构建深度持续学习网络模型；利用深度持续学习网络模型学习无人直升机模型中的不确定项，实现在线动态学习无人直升机模型。本发明能利用无人直升机历史数据流在线动态学习模型，实现在线多种特技动作状态多步预测，具有良好的泛化能力，鲁棒性好。

技术领域

本发明涉及无人机技术领域，特别涉及一种基于深度连续学习网络的无人直升机模型在线学习方法及系统。

背景技术

无人飞行器根据结构可分为固定翼、多旋翼、复合翼及具有尾旋翼桨的单旋翼无人机(也称为无人直升机)。通过调节变距系统，无人直升机可以实现诸如翻转、滚动、定点悬停等特技飞行。由于其具有良好的飞行性能，在军事及民用领域均有广泛的应用场景。无人直升机灵活高机动的特点使其在军事领域适用于复杂地形低空飞行，而民用领域，无人机可用于农业自动化、地理信息检测、特技表演等场景。但是要实现无人直升机的广泛应用，需要其具有能适应复杂多变外界环境的能力。因为无人直升机是一个复杂的非线性动力学系统，自身刚体动力学与外部空气动力学以及内部发动机动力学高度耦合，使得其系统模型学习一直是个具有挑战性的问题。特技直升机模型学习的主要困难是找到一种合理的方法来提取潜变量之间的关系。

为此，国内外在无人直升机模型学习上做出过一些研究：

Ali Punjani考虑使用时滞输入直接学习系统动力学模型，使用具有ReLU型激活函数的前馈神经网络，在人类操作手演示获取到的状态动作轨迹中训练学习直升机加速度模型。Mohajerin等人使用递归神经网络(Recurrent Neural Network，RNN)进行四旋翼与直升机状态多步预测，考虑RNN初始化问题，使用多种形式神经网络生成RNN初始状态值，然后使用长短时记忆网络(Long-Short Term Memory，LSTM)学习无人直升机模型。

康宇等考虑到动力系统状态具有时空相关性，提出深度卷积辨识器，使用深度卷积神经网络提取直升机飞行数据时空特征，并在此基础上设计控制器。

但是上述方法均没有考虑无人直升机系统在实际运行过程中，模型受外界气动作用而具有时变属性，需要在线动态学习。

发明内容

本发明的目的在于克服现有技术存在的缺陷，实现无人直升机模型的在线动态更新。

为实现以上目的，本发明采用一种无人直升机模型在线学习方法，包括：

根据固定世界参考坐标系和以无人直升机质心为原点建立的随体坐标系，构建具有不确定项的无人直升机模型；

利用无人直升机历史飞行数据对两个残差卷积子网络进行训练，得到训练好的两个子网络；

利用训练好的两个子网络和动态哈达玛积层构建深度持续学习网络模型；

利用深度持续学习网络模型学习无人直升机模型中的不确定项，实现在线动态学习无人直升机模型。

进一步地，所述构建的具有不确定项的无人直升机模型为：