[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

说明书

本发明公开了一种基于LSTM神经网络的无人机飞行轨迹预测方法。所述方法如下：选取长短记忆神经网络并通过仿真数据对其进行训练；实时获取基础飞行数据；对基础飞行数据进行预处理作为历史数据；将历史数据进行分段，对长短记忆神经网络进行实时再次训练；继续对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；将预测结果结合扩展卡尔曼滤波算法，将扩展卡尔曼滤波算法的预测结果作为最终预测结果；用户根据最终预测结果选择是否修正无人机的飞行路线，然后返回持续预测飞行轨迹。本发明在无人机的监管和监测系统中可以有效的实时监测无人机现在与未来的飞行轨迹，提高监测效率。

技术领域

本发明涉及四旋翼无人机的技术领域，尤其涉及一种基于LSTM神经网络的无人机飞行轨迹预测方法。

背景技术

近年来，无人机(Unmanned Aerial Vehicle,UAV)的发展得到了国内外的广泛关注，不仅在军事领域有大量的应用，在民用领域也有大量的研究。在可以预见的未来，无人机将不断改变电力巡检、安保巡逻、航拍摄影、快递运输等行业，甚至是取代传统的烟花表演。这其中无人机在飞行的过程中由于天气和传感器精度的影响，会一定程度上的偏移预定的航线，不仅增加了无人机原本不多的电池能耗，同时还加大了无人机飞行过程中的安全隐患。因此，对于无人机飞行轨迹的跟踪预测是减少无人机安全隐患所必须要解决的问题。

目前多数无人机飞行过程中主要依靠摄像头来进行避障，但是在外界环境发生剧烈变化的时候，例如突然的强光情况、大风天气的情况，无人机无法做出及时的反应，便会很大概率上发生碰撞。除此之外，无人机自身传感器也可能会存在误差，实际情况中需要结合多个传感器的数据，相互补充，进而避免发生事故。这其中多采用单一的卡尔曼滤波算法来对传感器数据进行矫正，加上采用复杂的无人机动力模型来判断无人机的状况。2017年湖北工业大学的刘斐提出基于模型预测控制的无人机轨迹跟踪方法(刘斐.基于模型预测控制的无人机轨迹跟踪方法研究[D].湖北:湖北工业大学,2017.)。该论文提出基于模型预测控制理论(Model Predictive Control,MPC)的一种在线优化控制算法。该算法的特点是易于实现，但需要一定的触发条件，并需要建立对应无人机的物理模型，计算相对较为复杂。

基于模型的轨迹预测方法对于无人机的动力模型建立要求严格，计算也会相对复杂，进而影响了无人机在遇到突发状况时的反应速度。

发明内容

本发明的目的在于提供了一种新的多传感器数据融合算法，并旨在解决无人机轨迹跟踪预测中的问题。相比传统算法，本发明所提出的算法不需要再建立基于无人机动力学的物理模型。主要使用多个传感器采集的历史数据，进行特征学习，从之前无人机的运动状态来推断无人机未来一段时间的运动轨迹。从而提前知道无人机是否与预先规划的路线产生了偏差，进一步实现对无人机轨迹的实时监测，有效避免无人机因为偏航造成的能量损耗和安全事故。

本发明的目的至少通过如下技术方案之一实现。

一种基于LSTM神经网络的无人机飞行轨迹预测方法，包括以下步骤：

S1、选取长短记忆神经网络(LSTM)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；