一种无人机超机动飞行性能仿真训练系统及方法与流程

本发明涉及无人机技术领域，具体涉及一种无人机超机动飞行性能仿真训练系统及方法。

背景技术：

目前，无人机的主要军事用途包括侦察、靶机、空中中继、地面打击、干扰以及电子对抗等。随着技术的发展和新军事斗争的需要，无人机直接参与空中格斗也开始提上日程。而且，由于没有了飞行员的身体条件限制，无人机可以实现有人机无法实现的超高机动动作，在空中格斗中能够具有明显优势。现有无人机控制大多停留在平稳飞行阶段，只能在有限的滚动和俯仰姿态下飞行，不能发挥无人机的机动性能。随着应用范围的拓展和军事领域的竞争，机动飞行已经成为未来无人机技术发展的关键点。历史上对无人机的研究侧重于稳定飞行的实现，对无人机机动飞行的研究较少。已有的研究涉及到了各种机型的仿真飞行、实际飞行测试、控制算法实现等方面，但是对机动动作的定义、描述不够明确，自主机动飞行控制的工程实现也没有具有代表意义的解决方案。

技术实现要素：

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种复杂风场条件下自适应仿真飞行的无人机超机动飞行性能仿真训练系统及方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种无人机超机动飞行性能仿真训练系统，包括计算模块、存储模块、神经网络计算模块、机动飞行控制器、飞行仿真显示模块和多输入模块；

所述多输入模块，用于基于x-plane飞行环境，采用操纵杆或遥控器采集多组特定机动动作时间序列；

所述存储模块，用于对该序列进行存储；

所述神经网络计算模块，用于基于深度神经网络架构对该序列进行拟合与训练，生成机动动作深度神经网络；

所述机动飞行控制器，用于根据当前的飞行状态，并基于机动动作深度神经网络在线生成机动动作指令；

所述飞行仿真显示模块，用于通过x-plane飞行仿真软件实时显示无人机仿真飞行。

优选地，所述神经网络计算模块还包括神经网络补偿单元，用于建立三层的神经网络结构，来修正模型误差以及环境干扰；三层神经网络包括一层输入层，一层隐层以及一层输出层，并将各层神经网络输出反馈到控制量中，最终控制率设计为：其中δc为动态逆的控制量质量，为神经网络补偿结果，v为鲁棒项，通过调整神经网络参数，以实现飞行器的稳定飞行。

优选地，所述神经网络计算模块采用cm1k神经网络芯片及开发系统；该网络芯片采用1024个硬件计算单元实现，通过专用的总线组成菊花链式的结构，不同硬件计算单元之间快速进行竞争学习，根据距离判定新到达输入的最近单元，并且自动网络权重的更新与单元状态更新，以实现知识的存储与调整，最终实现神经网络的训练。

优选地，所述cm1k神经网络芯片的智慧层模块，作为运算平台，用于完成机动动作深度神经网络训练，以及无人机机动动作的数据采集与训练。

优选地，多组特定机动动作时间序列包括飞机俯仰、滚转、偏航角；俯仰、滚转、偏航角速率、油门量、升降舵、副翼舵、方向舵偏角。

优选地，所述存储模块为固态硬盘。

本发明还公开了一种在如上所述无人机超机动飞行性能仿真训练系统中使用的训练方法，包括步骤：

1)基于x-plane飞行环境，采用操纵杆或遥控器采集多组特定机动动作时间序列，并进行存储；

2)基于深度神经网络架构对该序列进行拟合与训练，生成机动动作深度神经网络；

3)根据当前的飞行状态，并基于机动动作深度神经网络在线生成机动动作指令；

4)通过x-plane飞行仿真软件实时显示无人机仿真飞行。

优选地，在步骤2)中，利用长短期记忆网络方法，基于其独特的门控单元的设计，使长短期记忆网络的记忆模块存储和访问之前的信息，以兼顾已有的训练数据和当前的飞行状态，生成更为精准的飞行指令。

本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如上所述的训练方法的步骤。

本发明进一步公开了一种计算机设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如上所述的训练方法的步骤。

与现有技术相比，本发明的优点在于：

本发明的无人机超机动飞行性能仿真训练系统及方法，通过无人机仿真飞行数据采集、无人机神经网络控制器训练、自适应控制的神经网络补偿器训练，最终完成无人机复杂风场条件下自适应机动仿真飞行以及仿真演示；由于机动动作深度神经网络具有记忆功能，在验证飞行中，能够保证机动动作指令生成的实时性和可靠性。

本发明的无人机超机动飞行性能仿真训练系统及方法，利用长短期记忆网络(lstm)方法，基于其独特的门控单元的设计，可以使lstm的记忆模块可以存储和访问很久以前的信息，从而兼顾已有的训练数据和当前的飞行状态，生成更为精准的飞行指令。

本发明的无人机超机动飞行性能仿真训练系统及方法，基于神经网络补偿的自适应动态逆方法，一方面补偿由于建模不精确引起的动态逆控制误差，并可以补偿由于外界复杂风场引起的姿态扰动。

本发明的无人机超机动飞行性能仿真训练系统及方法，采用高速的固态硬盘来存储数据，能够提高数据存储的速度。

附图说明

图1为本发明的系统在实施例的方框结构图。

图2为发明中无人机仿真飞行数据记录界面图。

图3为本发明中飞行数据采集结果图。

具体实施方式

以下结合说明书附图和具体实施例对本发明作进一步描述。

如图1至图3所示，本实施例的无人机超机动飞行性能仿真训练系统，包括计算模块、存储模块、神经网络计算模块、机动飞行控制器、飞行仿真显示模块和多输入模块；多输入模块，用于基于x-plane飞行环境，采用操纵杆或遥控器采集多组特定机动动作时间序列；存储模块，用于对该序列进行存储；神经网络计算模块，用于基于深度神经网络架构对该序列进行拟合与训练，生成机动动作深度神经网络；机动飞行控制器，用于根据当前的飞行状态，并基于机动动作深度神经网络在线生成机动动作指令；飞行仿真显示模块，用于通过x-plane飞行仿真软件实时显示无人机仿真飞行。

本实施例中，神经网络计算模块还包括神经网络补偿单元，用于建立三层的神经网络结构，来修正模型误差以及环境干扰；三层神经网络包括一层输入层，一层隐层以及一层输出层，并将各层神经网络输出反馈到控制量中，最终控制率设计为：最终控制率设计为：其中δc为动态逆的控制量质量，为神经网络补偿结果，v为鲁棒项，通过调整神经网络参数，以实现飞行器的稳定飞行。

本发明的无人机超机动飞行性能仿真训练系统，可以用于无人机仿真飞行数据采集、无人机神经网络控制器训练、并完成自适应控制的神经网络补偿器训练，最终完成无人机机动飞行以及仿真演示。

本实施例中，由于深度神经网络指令架构以及自适应神经网络补偿器训练中对计算速度有为较高的要求。为实现在线的神经网络计算，利用cm1k神经网络芯片及开发系统。该网络芯片采用1024个硬件计算单元实现，可以通过专用的总线组成菊花链式的结构，不同单元之间能够快速进行竞争学习，根据距离判定新到达输入的最近单元，并且自动网络权重的更新与单元状态更新，从而实现知识的存储与调整，最终实现神经网络的训练。

本实施例中，cm1k神经网络芯片的智慧层模块，作为运算平台，完成机动动作深度神经网络训练，以及无人机机动动作的数据采集与训练。

本实施例中，多组特定机动动作时间序列包括飞机俯仰、滚转、偏航角；俯仰、滚转、偏航角速率、油门量、升降舵、副翼舵、方向舵偏角等。

本实施例中，存储模块为固态硬盘；数据采集的结果存储为文本文件，为了提高数据存储的速度，采用了高速的固态硬盘来存储数据。

本发明还公开了一种在上述无人机超机动飞行性能仿真训练系统中使用的训练方法，为了实现无人机的高机动飞行，针对不同的战术模板，采用仿脑控制器和训练学习的方法，自动实现少量反馈或者无反馈的控制，具体包括步骤：

1)基于x-plane飞行环境，采用操纵杆或遥控器采集多组特定机动动作时间序列，并进行存储，其中该时间序列由机动动作的特征参数组成，如飞机俯仰、滚转、偏航角；俯仰、滚转、偏航角速率、油门量、升降舵、副翼舵、方向舵偏角等；

2)基于深度神经网络架构对该序列进行拟合与训练，生成机动动作深度神经网络；

3)在训练该机动动作深度神经网络后，由于该网络具有记忆功能，因此可以在验证飞行中，根据当前的飞行状态，并基于机动动作深度神经网络在线生成机动动作指令，保证机动动作指令生成的实时性和可靠性；

4)通过x-plane飞行仿真软件实时显示无人机仿真飞行。

本实施例中，在步骤2)中，基于深度神经网络架构对该序列进行拟合与训练中，由于在机动动作的实现过程中，上一段时飞行器的状态不同，飞行器进入机动动作时的状态不同，因此飞行器下一个时刻应当改变的状态也不相同，针对上述问题，利用长短期记忆网络(lstm)方法，基于其独特的门控单元的设计，使长短期记忆网络的记忆模块存储和访问之前的信息，以兼顾已有的训练数据和当前的飞行状态，生成更为精准的飞行指令。

如图2所示，本实施例中，在步骤4)中，采用x-plane飞行仿真中，采用99hz的速度进行数据记录，可以记录的数据包括飞机姿态、加速度、位置、操纵舵面控制量、飞行力和力矩、风场流速等，数据采集的结果存储为文本文件，存储在高速的固态硬盘上。

本实施例中，在实际飞行中，无人机将不仅受到外界复杂流场的干扰，也会受到建模的不确定性的影响，特别是在超机动飞行中，飞行器模型将呈现明显的非线性特征；故在底层执行机构中引入自适应控制机制；该系统基于神经网络补偿的自适应动态逆方法，利用神经网络补偿模块一方面补偿由于建模不精确引起的动态逆控制误差，并可以补偿由于外界复杂风场引起的姿态扰动，实现无人机的稳定飞行，基于神经网络指令架构生成的机动动作指令，便可以完成超机动飞行仿真实现，并在x-plane中进一步显示。

本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被处理器运行时执行如上所述的训练方法的步骤。

本发明进一步公开了一种计算机设备，包括存储器和处理器，存储器上存储有计算机程序，计算机程序在被处理器运行时执行如上所述的训练方法的步骤。

本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现各种功能。存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件等。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。