基于机器学习的无人机运动速度预测方法与流程

本发明涉及预测无人机当前运动速度的技术，尤其涉及一种基于机器学习的无人机运动速度预测方法。
背景技术：
：无人驾驶飞机简称“无人机”，英文缩写为“UAV”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机。当前旋翼无人机的导航主要还是依赖于卫星导航系统。在很多环境下(如室内、城市、峡谷)，卫星信号的缺失将使得无人机的导航失败。在这种情况下，一种可行的备份方案是使用飞机自身携带的惯导器件进行自主导航。但目前利用惯性器件进行导航的方法都是对加速计的测量值进行积分来获取载体的速度和位置信息。由于加速计的测量值包含着重力，若载体角度估算有微小误差，重力分量在短时间内将造成巨大的速度或位置误差。注意到旋翼无人机的特殊飞行方式，无人机在飞行过程中的倾仰角与飞行速度有很强的关联性，这可以通过对飞机的空气动力学精确建模获得。但在实际应用中由于模型参数较难估算实现起来比较困难。技术实现要素：本发明要解决的技术问题是如何利用飞行的姿态对无人机的运动速度进行预测。为了解决这一技术问题，本发明提供了一种基于机器学习的无人机运动速度预测方法，包括如下步骤：S0：控制无人机完成飞行，期间，利用光流计采集其光流值，利用陀螺仪和加速度计采集其姿态信息和加速度信息；S1：根据光流值及姿态得到飞行速度信息；S2：采用Libsvm工具对采集的数据进行训练，得到飞行速度信息与姿态信息和加速度信息之间的关系；S3：实际使用无人机时，根据步骤S2所确定的关系以及当下采集到的姿态信息和加速度信息，采用Libsvm工具预测得到无人机运动的速度。可选的，在所述步骤S0中，还包括利用GPS记录飞行路线；在所述步骤S0之后，还包括根据光流值和姿态信息制作光流积分路线图，将其与GPS记录的飞行路线进行比较，当误差在预设范围内，才针对相应信息进入后续步骤进行训练。可选的，所述姿态信息至少包括了航向角信息，所述光流积分路线图根据光流值和所述航向角信息制作得到。可选的，在所述步骤S1之前，还包括对光流值进行低通平滑滤波的过程。可选的，低通平滑滤波处理的算法如下：filteredFlow(n+1)＝Weight*newFlow(n)+(1-weight)*filteredFlow(n)其中Weight为低通滤波系数，newFlow(n)为当前帧原始输出光流值，filteredFlow(n)为前一帧低通滤波后的光流值，filteredFlow(n+1)为当前帧得到的经低通滤波后的光流值。可选的，在所述步骤S1中，通过对光流值微分获得所述光流速度。可选的，在所述步骤S2之前还包括：将四元数形式的姿态信息转换为旋转矩阵；将光流速度通过所述旋转矩阵转换到惯性系下。可选的，所转换得到的旋转矩阵如下：通过以下公式将旋转矩阵转换到惯性系下：velA＝R*(flow_x，flow_y，0)T其中x,y,z,w为四元数，R为旋转矩阵，flow_x为光流计在本地坐标系下X方向的光流值，flow_y为光流计在本地坐标系下Y方向的光流值，velA为转换到惯性系下的飞行速度。可选的，在所述步骤S2中，采用Libsvm工具对采集的数据进行训练时，其向量满足以下格式：<label><index1>:<value1><index2>:<value2>...<indexN>:<valueN>其中<label>为输出向量，包括惯性系下的光流速度；后面部分为训练输入向量，index必须从1开始；所述训练输入向量包括时间段内所有帧的俯仰角、航向角、横滚角以及加速度矢量值。可选的，采用Libsvm工具对采集的数据进行训练时，所选择的核函数为径向基函数：进而通过依次调整核函数中的gamma值、Libsvm工具中训练的代价因子cost、Libsvm工具的lossfunction的ε值，以及迭代终止条件中的部分或全部，最终确认飞行速度信息与姿态信息和加速度信息之间的关系。本发明利用机器学习的方法训练无人机陀螺仪和加速度计数据与飞行速度间的关系，从而不依赖GPS或光流计获得飞行速度信息。其中，根据无人机不同的飞行状态分析其动力学模型，针对不同的模型相应的修改调整训练特征的选取，在训练过程中不断调整参数，直至获得较为理想的预测结果。附图说明图1是旋翼机定高模式下惯性系的受力分析图。图2是本发明一实施例中真实的X方向速度和预测的X方向速度比较；图3是本发明一实施例中真实的Y方向速度和预测的Y方向速度比较图；图4是本发明一实施例中光流值积分路线和localPosition路线比较图；图5是本发明一实施例中光流值积分路线和预测速度积分路线比较图。具体实施方式以下将结合图1至图5对本发明提供的基于机器学习的无人机运动速度预测方法进行详细的描述，其为本发明可选的实施例，可以认为，本领域技术人员在不改变本发明精神和内容的范围内，能够对其进行修改和润色。首先，需指出，本发明主要说明在定高模式下的运动速度估算方法。定高状态即为无人机高度保持一定，水平方向可自由移动。受力分析图参见图1。根据简单推导可得定高模式下运动平移速度表达式：其中为本地坐标系正交单位矢量的分量；D为诱导阻力系数矩阵；R为本地-惯性系旋转矩阵，可由陀螺仪信息获得；aIMU为加速度计加速度矢量；Ph，Pv为水平和垂直分量映射矩阵。可见定高模式下理想情况可由加速度计和陀螺仪的数据理论上计算出当前状态下的运动速度。但实际情况下陀螺仪和加速度计数据存在漂移不够精确，得到的运动速度误差明显。本发明思想就是使用训练方法训练出(1)式中vh和陀螺仪姿态信息及加速度计加速度值之间的关系，直接从陀螺仪和加速度计数据估算出当前的运动速度。基于以上论述，本发明提供了一种该模式下实现方法包括如下过程：数据采集：采集数据种类包括陀螺仪、加速度计、光流计和GPS数据。采集时操作无人机需保持飞行在一定高度，同时保证无人机飞行动作丰富，实际操作时可在固定高度绕一圆形轨迹飞行多圈。需在不同环境下采集多份数据，包括光流计及GPS信号良好，光流计信号缺失及GPS信号缺失三种特点的相应环境。第一种环境需光线良好，地面纹理丰富，GPS信号丰富，采集的数据用于训练，训练样本的输入向量为加速度计和陀螺仪值，输出向量为光流速度值或GPS速度值；第二种环境需光线阴暗，光流值有较大误差，但GPS信号丰富，采集的数据用于检测光流信号缺失条件下的运动预测效果；第三种环境需GPS信号缺失，但光线良好及地面纹理较丰富，采集的数据用于检测光流信号缺失条件下的运动预测效果。采集时间不宜过短，需保证训练和测试数据集充分。以上过程可以理解为包括了步骤S0：控制无人机完成飞行，期间，利用光流计采集其光流值，利用陀螺仪和加速度计采集其姿态信息和加速度信息；参考前文的具体实施方式描述，在所述步骤S0中，还包括利用GPS记录飞行路线；训练数据检验：训练数据输出向量为光流速度，而光流计值受环境影响很大，很可能误差较大不适合用作训练；训练输入向量为姿态和加速度信息，姿态信息包括横滚(roll)、俯仰(pitch)以及航向(yaw)，其可以理解为绕立体坐标系下三轴旋转的三个分量，其中yaw分量和磁力计有关，而磁力计受环境中磁场影响较大，很可能环境存在较强磁场，明显影响磁力计，导致姿态角yaw误差较大，不适合用作训练。检验方法是根据光流值和姿态角yaw分量将光流积分路线图作出来和实际无人机飞行路线图比较，参考图2，若基本一致表明光流值和yaw值误差小，适合用作训练；若路线图相差较大，说明光流值或yaw值误差较大，不适合用作训练。作光流积分路线图十分简单，由于光流值是二维向量，且基于本地坐标系{B}下的，yaw值表示本地和惯性系绕z轴旋转的角度，可基于yaw得到二维坐标系间的旋转矩阵，即可得{B}下的光流值在惯性系下的值，再积分即得路线图。实际路线图可用GPS位置数据积分获得，室外空旷环境GPS信号较为稳定，数据较为可靠。以上过程可以理解为在所述步骤S0之后，还包括根据光流值和姿态信息制作光流积分路线图，将其与GPS记录的飞行路线进行比较，当误差在预设范围内，才针对相应信息进入后续步骤进行训练。参照前文实施例描述，所述姿态信息至少包括了航向角信息(yaw)，所述光流积分路线图根据光流值和所述航向角信息制作得到。数据处理：包括光流速度滤波处理，四元数转旋转矩阵，光流速度坐标系转换。无人机机身抖动导致光流值毛刺较为明显，可先对光流值进行简单的低通平滑滤波，滤波算法如下：filteredFlow(n+1)＝Weight*newFlow(n)+(1-weight)*filteredFlow(2)陀螺仪数据中的姿态信息为四元数形式，将四元数转换为旋转矩阵用于将{B}坐标系下的光流速度转换为惯性系下的速度。四元数转旋转矩阵如下：对光流值微分获得光流速度，通过R将光流速度转换到惯性系下，即：velA＝R*(flow_x，flow_y(4)训练向量格式：训练输入向量选择为过去t时间段内所有帧的姿态角roll,pitch,yaw和加速度计加速度矢量值，当前惯性系下的光流速度作为输出向量。以上过程可以理解包括步骤S1：根据光流值得到光流速度信息；在所述步骤S1之前，还包括对光流值进行低通平滑滤波的过程。其中，低通平滑滤波处理的算法如下：filteredFlow(n+1)＝Weight*newFlow(n)+(1-weight)*filteredFlow(n)其中Weight为低通滤波系数，newFlow(n)为当前帧原始输出光流值，filteredFlow(n)为前一帧低通滤波后的光流值，filteredFlow(n+1)为当前帧得到的经低通滤波后的光流值在所述步骤S1中，通过对光流值微分获得所述光流速度。此外，参考前文具体实施例的阐述，在所述步骤S2之前还包括：将四元数形式的姿态信息转换为旋转矩阵；将光流速度通过所述旋转矩阵转换到惯性系下。所转换得到的旋转矩阵如下：通过以下公式将旋转矩阵转换到惯性系下：velA＝R*(flow_x，flow_y，0)T其中x,y,z,w为四元数，R为旋转矩阵，flow_x为光流计在本地坐标系下X方向的光流值，flow_y为光流计在本地坐标系下Y方向的光流值，velA为转换到惯性系下的飞行速度。训练过程：本发明采用SVM机器学习方法实现运动预测，采用Libsvm工具实现训练过程。训练过程包括：训练向量格式化，选择核函数，参数调整，训练数据择优化。对于向量格式化，由于Libsvm对训练数据格式有严格要求，即在所述步骤S2中，采用Libsvm工具对采集的数据进行训练时，训练向量必须满足格式：<label><index1>:<value1><index2>:<value2>...其中<label>为输出向量，即惯性系下的光流速度；后面部分为训练输入向量，index必须从1开始。所述训练输入向量包括时间段内所有帧的俯仰(pitch)角、航向(yaw)角、横滚(roll)角以及加速度矢量值。对于核函数的选择，可先观察平移运动速度估算公式(1)。由于R中存在姿态角的三角函数值，三角函数等价于欧拉公式：可推测核函数应类似指数函数，即选择核函数为径向基函数：实验也证明了猜想是正确的，选择径向基函数作为核函数相对其他核函数达到较好的预测效果。对于参数调整，这也是整个训练过程的主要阶段。Libsvm主要参数列表如下：-ggamma设置核函数里的gamma值,默认值为:1/num_features-ccost设置训练的代价因子，默认值为：1-pepsilon设置lossfunction的ε值，默认值为：0.1-etolerance设置迭代终止条件，默认值为：0.001调参时，依次调整参数，在调某个参数时保持其他参数不变，缓慢改变参数，比较各参数值时训练模型的预测效果，取效果最好对应的参数为最佳参数值。下表为本发明可选实施例中，有关上述列表中各参数时的参数选择过程：参数值SCC参数值SCC参数值SCC-c0.10.77450-p0.050.81640-e0.00050.821036-c0.50.80054-p0.10.820186-e0.0010.821051-c10.81347-p0.150.82074-e0.00150.821028-c1.50.81842-p0.1750.821051-c20.81962-p0.20.81972-c2.50.82018-c30.81974表中SCC为真实速度和预测速度间的平方相关系数(Squarecorrelationcoefficient)。训练数据和预测数据是相互独立不相关的。最终获得最优参数组合-c2.5–p0.175–e0.001，关于参数-g使用默认值即可。可见，本发明可选实施例中，进而通过依次调整核函数中的gamma值、Libsvm工具中训练的代价因子cost、Libsvm工具的lossfunction的ε值，以及迭代终止条件中的部分或全部，最终确认光流速度信息与姿态信息和加速度信息之间的关系。对于训练数据择优化，由于采集的训练数据有优劣之分，飞行动作丰富，环境条件良好，训练数据较好；相反操作时飞行高度没保持一定高度，飞行动作贫乏，环境条件不好，训练数据获得的预测模型预测效果就差。所以需对采集的训练数据择优化，选择训练模型最优的。对每份训练数据训练获得预测模型，测出对应预测模型的预测效果，取效果最优的预测模型。以上训练过程可被描述为步骤S2：采用Libsvm工具对采集的数据进行训练，得到光流速度信息与姿态信息和加速度信息之间的关系；预测过程：本发明采用Libsvm实现预测过程。直接使用libsvm中预测函数svm-predict，可实现给定预测模型下对测试数据集的预测结果，输出为预测的运动速度。为分析比较预测效果，除直接作出真实速度和预测速度比较图外，还可以画出预测速度积分的路线图和真实速度积分的路线图。参考说明附图3、4、5。以上过程可悲描述为步骤S3，实际使用无人机时，根据步骤S2所确定的关系以及当下采集到的姿态信息和加速度信息，采用Libsvm工具预测得到无人机运动的速度。综上所述，本发明利用机器学习的方法训练无人机陀螺仪和加速度计数据与飞行速度间的关系，从而不依赖GPS或光流计获得飞行速度信息。其中，根据无人机不同的飞行状态分析其动力学模型，针对不同的模型相应的修改调整训练特征的选取，在训练过程中不断调整参数，直至获得较为理想的预测结果。其为能够避免传统惯导积分误差漂移局限性的运动速度估算方法。同时获得的较为准确的运动速度估值能够在GPS或光流计失效的情况下起到辅助导航的作用，不至于无人机因信号缺失而失效。当前第1页1 2 3