〇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和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，可以看到，误差均已在10 4之下。
[0034] 在使用MATLAB仿真时，采用"〉"以标明路线的走向和各个航点的方向。这样，无人 机在飞行前进时不至于沿路线反方向飞行。在使用BP神经网络实现无人机标点路线的过 程中，可以给定任意两个标点间的方向，即无人机先经过哪一个标点，后经过哪一个标点。
[0035] 在无人机飞行时，其实时飞行数据可以在地面站观察到，通过计算实际飞行路线 上当前位置点与两个航点直线之间的距离，即BP神经网络实现无人机标点路线，当无人机 实际飞行位置与经过神经网络训练过拟合出的路线的垂直距离达到设定值时，系统可以给 出警报，可以评判无人机当前飞行状态的误差，以使无人机自动驾驶仪做出快速调整，减小 误差。这只是一种误差评判方法，还可以有其它等效的方法。
[0036] 例如，无人机在三维空间天空中飞行，分别对应无人机任意一点作为航点，设 定其三维坐标（x，y，z)、炜度、经度和距离参考平面的高度。这个参考平面可以根据实 际情况设定。炜度范围为（-90°，90° )，负值表示南炜，正值表示北炜；经度范围为 (-180°，180° )，负值表示西经，正值表示东经；高度范围为（0, 10000)，单位为米，在生成 高度数据时，采用最大值为10000米。目前，市面上的无人机大多支持50个、100个航点。 本发明就是在1000个航点的基础上训练BP神经网络，达到画线的目的。
[0037] 针对以上1000个航点，建立BP神经网络，隐含层采用tansig函数，输出层采用 purelin函数，BP网络的训练函数为trainlm，BP网络的权值/阈值学习函数为learngdm， 其性能函数为MSE(MeanSquareError)，即均方误差作为误差性能函数。
[0038] 在训练过后神经网络的基础上，输入1000个航点，使网络对应输出1000个坐航 点。
[0039] 针对这1000个坐航点，进行曲线拟合，形成无人机的飞行路线。
[0040] 如图3所示的1000个航点下的的标定路线示意图，其标定方法包括以下步骤：
[0041] 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；
[0042]步骤（2)，建立BP神经网络输入层的矩阵P;
[0044] 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。
[0045] 步骤（3)，列出BP神经网络输出端矩阵T;
[0047] 其中，（bn，b21，b31)表不系统输出经过的第1个航点，（b12,b22,b32)表不系统输出 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。
[0048] 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BP神经网络有一个隐含层，且隐含层神经元个数为3 ;
[0049]步骤（5)，训练该BP神经网络，[net,tr] =train(net,P,T)，使用输入、输出矩阵 对
[0050] 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 epoch和性能perf;
[0051] 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
[0052] 进行连线，生成无人机的航点路线。
[0053] 如图4所示，为1000个航点下的误差性能，所述方法包括以下步骤：
[0054]步骤（7):在步骤（1)、步骤（2)、步骤（3)、步骤（4)、步骤（5)、步骤（6)的基础上， 使用MSE方法，估计系统误差性能，即使用plotperf()函数。
[0055] 如图1所示的标定路线示意图，其标定方法和误差性能计算方法同上，随机产生 100个三维航点，用于模拟地面站地图上的100个航点；如图2所示的100个航点下的实际 飞行路线与设计路线之间的误差性能。
【主权项】
1. 一种基于BP神经网络的无人机驾驶路线航点标定方法，其特征在于，该方法包括w 下步骤： 步骤（1)，随机产生1000个Ξ维坐标点，用于模拟地面站地图上的1000个航点； 步骤（2)，建立BP神经网络输入层的矩阵P;其中，（曰11，曰21，曰31)表不束1个航点，（曰21，曰22，曰32)表不束2个航点，W此类推，（曰1999， 日2999，日3999)表不束9"个航点，（日11。。〇,日21。。〇，日31。0。）表不束1000个航点。 步骤（3)，列出BP神经网络输出端矩阵T;其中，化Il，b2i，b3i)表不系统输出经过的第1个航点，化I2，b22，b32)表不系统输出经过的 第2个航点，W此类推，化iggg，bzwe，bseJ表示系统输出经过的第999个航点，化。。。。，bzi。。。， bsi。。。）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。 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BP神经网络有一个隐含层，且隐含层神经元个数为3 ; 步骤巧），训练该BP神经网络，[net,付]=train(net,P，T)，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epoch和性能 perf； 步骤化），针对BP神经网络的矩阵输出，使用plo口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。
【专利摘要】本发明公开了一种基于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：随机产生1000个三维坐标点；建立BP神经网络输入层的矩阵P；列出BP神经网络输出端矩阵T；建立BP神经网络；训练该BP神经网络；拟合出无人机的航点路线。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；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。
【IPC分类】G05B13/04
【公开号】CN105242536
【申请号】CN201510613438
【发明人】苏寒松, 张永振, 刘高华
【申请人】天津大学
【公开日】2016年1月13日
【申请日】2015年9月22日