[发明专利]一种基于LSTM神经网络的无人机飞行轨迹预测方法

权利要求书

1.一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，包括以下步骤：

S1、选取长短记忆神经网络作为无人机飞行轨迹的预测模型并通过仿真数据对其进行训练，得到通过仿真数据训练过的长短记忆神经网络；

S2、实时获取并存储每个无人机当前时刻的基础飞行数据；

S3、对实时获取的无人机基础飞行数据进行差分标准化预处理，作为历史数据；

S4、将历史数据进行分段，利用分段后的历史数据对通过仿真数据训练后的长短记忆神经网络进行实时再次训练，调整长短记忆神经网络的参数，得到再次训练后的长短记忆神经网络；

S5、继续对无人机的基础飞行数据进行收集、差分标准化和分段处理，然后通过再次训练后的长短记忆神经网络进行预测，输出预测结果，得到未来一段时间内的无人机飞行轨迹；

S6、将步骤S5中输出的预测结果作为扩展卡尔曼滤波算法状态方程的观测量，结合扩展卡尔曼滤波的状态更新方程，最后将扩展卡尔曼滤波算法的预测结果作为对于无人机未来一段时间状态的最终预测结果；

S7、用户根据步骤S6中得到的最终预测结果选择是否修正无人机的飞行路线，然后返回步骤S5。

2.根据权利要求1所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，步骤S1中，通过机器人操作系统ROS和仿真软件Gazebo，仿真单个无人机，并收集仿真数据，仿真数据包括无人机的基础飞行数据；

对仿真数据，进行差分标准化和分段处理，然后使用仿真数据对长短记忆神经网络进行训练，得到通过仿真数据训练过的长短记忆神经网络。

3.根据权利要求2所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，步骤S2中，通过传感器收集无人机的基础飞行数据，基础飞行数据包括里程计、陀螺仪、磁强计、加速度计和GPS的数据信息，以及无人机旋翼的动力值；其中，无人机旋翼的动力值为当下时刻无人机g个旋翼的动量数据，包括g维数据，基础飞行数据共包括A维数据。

4.根据权利要求3所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，仿真数据、步骤S2中收集的无人机的基础飞行数据和步骤S5中继续收集的无人机的基础飞行数据均包括A维数据。

5.根据权利要求3所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，对于仿真数据、步骤S2中收集的无人机的基础飞行数据和步骤S5中继续收集的无人机的基础飞行数据中的A维基础飞行数据进行差分标准化预处理，具体如下：

T＝[t₁-t₀,t₂-t₁,t₃-t₂,…,t_n-t_n-1]； n∈N (1)

式中，T表示对基础飞行数据差分预处理后得到的时间序列，由n+1个时刻的A维基础飞行数据做差分之后所组成，t_n代表在n时刻收集到的无人机的A维基础飞行数据，将时间序列T作为历史数据。

6.根据权利要求5所述的一种基于LSTM神经网络的无人机飞行轨迹预测方法，其特征在于，对差分标准化预处理后的数据进行分段处理，具体如下：

将时间序列T划分成k组，每组包括m个时刻的无人机基础飞行数据，选择每组的第i个时刻，作为第i段的数据，最终得到错位分段的时间序列，x_j为所分的时间序列段中第j段；如公式(2)所示：

x_j＝[T₁,T₂,T₃,…,T_i,…T_k] i∈(0…k),j∈(0…m) (2)

得到m个时间段时间序列；使用所得到的时间段时间序列对通过仿真数据训练后的长短记忆神经网络进行训练；对于每段时间段时间序列x_j，选取前k-1个时间点，作为通过仿真数据训练后的长短记忆神经网络的输入，预测下一时刻的状态；对于m段时间段时间序列进行训练，最终预测出未来m个时刻的无人机状态信息。