[发明专利]无GPS基于视觉室内环境微型无人机飞行控制方法

权利要求书

1.一种无GPS基于视觉室内环境微型无人机飞行控制方法，其特征是，采集室内走廊图像数据，构建神经网络，将采集到的室内走廊图像数据分为训练集、测试集，对构建的神经网络进行训练，构建飞行控制律，由神经网络的输出对室内环境微型无人机飞行进行控制。

2.如权利要求1所述的无GPS基于视觉室内环境微型无人机飞行控制方法，其特征是，具体步骤如下：

步骤1)采集室内走廊图像数据；

预期的数据集需要分为三类，沿直走廊采集，分别是直走廊偏左的图像、直走廊居中的图像和直走廊偏右的图像，利用数据采集装置进行采集，数据采集装置由三个云台、三架相机和一根直杆组成，直杆上水平安装了三个云台，每个云台上固定一架相机，相机的朝向分别是偏左、居中、偏右，用以采集三类数据集，采集过程需要采集者水平手持横杆，调整好相机角度后打开三台相机，采集者持稳横杆，沿走廊中线前进，途中三台相机进行录像，采集图像数据；相机中的数据以视频格式存储，借助OpenCV库进行后期处理，OpenCV是一个跨平台计算机视觉和机器学习软件库；

步骤2)训练神经网络；

训练神经网络借助开源的机器学习库PyTorch库，通过采集装置获取到图像数据后，对其打好标签，将图像制作成特定格式的数据集，并分类为训练集和测试集，编写数据集的加载代码，之后开始神经网络的训练；训练完成后，通过测试集来检验神经网络的效果；

步骤3)构建飞行控制律；

针对无人机的控制基本要点是先矫正无人机的偏航，再控制无人机移动，整个导航过程中，无人机的飞行高度基本恒定；

卷积神经网络的输出为图像分类结果的概率分布的对数值，取指数后即为三种结果的概率分布，神经网络的输出表达如下：

S＝[P(L),P(R),P(M)] (1)

其中S为神经网络的输出张量，P(L)为图像被认为是无人机航向偏向走廊左边的概率，P(R)为图像被认为是无人机航向偏向走廊右边的概率，P(M)为图像被认为是无人机航向居中的概率；

设计无人机偏航控制律如下

C＝K[P(R)-P(L)] (2)

其中C为无人机的偏航修正角，C＞0代表逆时针旋转，C＜0代表顺时针旋转；K为修正系数；

其中，根据无人机朝向的预期概率来给出偏航修正的控制指令，三种概率各自被赋予不同的权重，偏航修正角以逆时针旋转为正，航向偏左时无人机应当顺时针校正航向，偏左的预期概率权重为-1；航向偏右时无人机应当逆时针校正航向，其预期概率的权重为1；航向居中时不需要偏转，其预期概率的权重为0；

校正航向后，地面站向无人机发出前进指令，无人机向前移动指定距离，至此无人机完成了一次行动；机载单目相机以每秒一次的频率向地面站发送图像信息，地面站以同样的频率向无人机发送偏航修正指令和前进指令，通过这种方式，无人机能够实时修正自身的飞行路径，完成自主导航任务。

3.如权利要求1所述的无GPS基于视觉室内环境微型无人机飞行控制方法，其特征是，神经网络具有两层卷积层、两层池化层以及四层全连接层，卷积神经网络的输入为200x200x1的灰度图像，第一层卷积层输入通道数为1，输出通道数为48，采用12x12卷积核，卷积核数量为48，滑动步长为4；第二层卷积层输入通道数为48，输出通道数为120，采用3x3卷积核，卷积核数量为120，滑动步长为3；第一层全连接层输入为4x4x120个结点，输出为512个结点；第二层全连接层输入为512个结点，输出为64个结点；第三层全连接层输入为64个结点，输出为16个结点：第四层全连接层输入为16个结点，输出为3个结点；全连接层最后的这3个结点代表整个神经网络对图像数据的三种分类结果即：航向偏左、居中、偏右；输出层采用了神经网络输出函数log_softmax函数，输出三种分类结果的概率分布的对数值。

4.如权利要求1所述的无GPS基于视觉室内环境微型无人机飞行控制方法，其特征是，选择K＝20，既能保证航向修正的快速性，又能保证航向的稳定性。