基于bp神经网络的无人机驾驶路线航点标定方法
【技术领域】
[0001] 本发明涉及无人机自动驾驶技术领域，特别是涉及一种无人机驾驶路线的航点标 定方法。
【背景技术】
[0002] 近年来，无人机的发展特别迅猛。无人机使用范围已从军事拓展至民用及科研多 个领域。军事上，无人机可用于侦查监视、中继通信、电子对抗、战果评估、对地（海）攻击、 早期预警等；民用上，用于大气研究、气象观测以及新技术新设备的实验验证等。
[0003] 2010年4月中旬，美国陆军正式公布了 2010年至2035年的无人机系统发展路 线图：陆军的近期目标是实现直升机的无人驾驶，即装备新型舰载垂直直升机起降战术 无人机，以填补当前迫切的战争需求。有关无人机自动驾驶仪的研究，也愈演愈烈。加 拿大MicroPilot公司的无人直升机自动驾驶仪MP2128HELI、瑞士WcControl公司的 wcPilotlOOO微小型无人直升机自动驾驶仪以及美国加州理工研发的HcliAP无人直升机 自动驾驶仪都是典型的代表。
[0004]目前，国内的无人机自动驾驶仪研究水平还处于仿制阶段，整体研发尚处于起步 阶段。
[0005] BP神经网络属于前向网络，是神经网络的核心，也是整个神经网路体系中的精华， 同时它有别于多层感知器。
【发明内容】
[0006] 针对上述的现有技术及存在的问题，本发明提出了一种基于BP神经网络的无人 机驾驶路线航点标定方法，在该领域创新性地应用了BP神经网络技术，实现针对无人机地 面站在地图上航点的无人机飞行路线标定。
[0007] 本发明提出了一种基于BP神经网络的无人机驾驶路线航点标定方法，包括以下 步骤：
[0008] 步骤1:随机产生1000个三维坐标点，用于模拟地面站地图上的1000个航点；
[0009] 步骤2:建立BP神经网络输入层的矩阵P;
[0011] 其中，（an，a21，a31)表示第1个航点，（a21，a22,a32)表示第2个航点，以此类推， (al999，a2999，a3999)表不弟 999 个航点，（all。。。，a21。。。，a31000 )表示第1000个航点。
[0012] 步骤3 :建立BP神经网络输出端矩阵T;
[0014] 其中，（bn，b21，b31)表示系统输出经过的第1个航点，（b12,b22,b32)表示系统输出 经过的第2个航点，以此类推，（b1999，b2999，b3999)表示系统输出经过的第999个航点，（b_。， b21_，b31_)表示系统输出经过的第1000个航点。同时，矩阵P与矩阵T相等，即P=T。
[0015] 步骤4 :建立BP神经网络，net=netff(P，T，3)，其中，P、T分别表示BP神经网络 输入和输出矩阵，3表示设计的ΒΡ神经网络有一个隐含层，且隐含层神经元个数为3;
[0016] 步骤5 :训练该ΒΡ神经网络，[net,tr] =train(net,Ρ，Τ)，使用输入、输出矩阵对 BP神经网络net进行训练，同时得到新的神经网络net，tr用于记录训练的步数印och和 f生能perf;
[0017] 步骤6 :针对BP神经网络的矩阵输出，使用plot3函数对矩阵所代表的航线点进 行连线，生成无人机的航点路线。
[0018]与现有技术相比，本发明将无人机可划定标点数量增大、无人机标点路线具有方 向性和可完善无人机自动驾驶仪系统，创新性地应用了BP神经网络技术，并在此基础上快 速有效地实现无人机地面站对航点路线的设计，能够应用在无人机的自动驾驶仪上；
[0019] 作为新颖的基于神经网络的自动驾驶仪航点路线方案，在以后的无人机自动驾驶 仪研究中有极大的发展前景。
【附图说明】
[0020] 图1是100个航点下的标定路线示意图；
[0021] 图2是100个航点下实际飞行路线与设计路线之间的误差性能曲线示意图；
[0022] 其中，Train、Validation、Test分别表示训练的结果性能、检验的结果性能、验证 的结果性能。Performance表示系统性能，Epochs表示系统训练的步数。从图中可以看出， 三条曲线在1000步时，误差都下降到了 10 5(百分比值）。
[0023] 图3是1000个航点下的标定路线示意图；
[0024] 图4是1000个航点下实际飞行路线与设计路线之间的误差性能曲线示意图；
[0025] 其中，Train、Validation、Test、Best分别表示训练的结果性能、检验的结果性能 验证的结果性能、系统最佳状态下的性能。Performance表示系统性能，Epochs表示系统训 练的步数。BestValidationPerformanceis0· 00046723atepoch1000表不在训练到 1000步时的最佳检验性能是0. 00046723。同时，系统性能用最小均方误差表示MSE(Mean SquaredError)。可以看到，图中①②③条曲线有重叠，说明训练、检验、验证、最佳的结果 性能相似。
[0026] 图5为本发明整体流程图。
【具体实施方式】
[0027] 以下结合附图及【具体实施方式】，进一步详述本发明的技术方案。
[0028] 普通无人机自动驾驶的路线航点标定都在100个以内，本发明基于BP神经网络 (ErrorBackPropagation，即误差反向传播算法神经网络）可以将航点数量提高到1000 个。虽然要使用BP神经网络进行飞行路线的训练需要一定的时间，但是，本发明利用基于 BP神经网络这一创新点，标定精确度可以达到10 4数量级（误差值与实际值的比值大小）。 同时，在使用BP神经网络时，可以标定航点的方向，从而判断无人机飞行方向是否正确。当 无人机在两个航点间飞行时，利用本发明的标定结果可以给出实际飞行路线与设计路线之 间的误差，如果误差过大，那么系统就会给出警报。这样，有利于进一步完善无人机自动驾 驶仪。
[0029] 本发明的仿真在MATLAB下进行的：
[0030] 首先利用MATLAB中的randi函数生成随机的三维航点数据（分别采用了一组100 个航点和本发明的1000个航点进行对比）；限定数据范围，模拟空中三维点，并使航点达到 1000 个。
[0031] 其次，建立BP神经网络（采用三层的神经网络，其包含输入层、输出层以及一个隐 含层），隐含层采用tansig函数，输出层采用purelin函数，BP网络的权值/阈值学习函数 为learngdm，其性能函数为MSE(MeanSquareError)，即用均方误差函数作为性能分析的 指标；
[0032] 最后，针对以上的航点进行曲线拟合，形成无人机的飞行路线。
[0033] BP神经网络将输入数据的60 %用于训练，20 %用于检验，20 %用于验证，采用了 提前终止的策略，防止过拟合的情况发生，精确度有所提高。如图2和图4所示，分别给出 了 〇