一种无人机轨迹预测模块及其预测方法与流程

本发明涉及无人机技术领域，特别涉及一种基于反卷积神经网络的无人机轨迹预测模块及其预测方法。

背景技术：

随着社会的发展，和科技的不断进步，其中无人机技术也已经在各个领域得到广泛的应用，在不同的方面都体现出了无人机不可替代的作用。

为了更加有效的控制无人机，和了解无人机的行为。我们需要对无人机的行为，对无人机的飞行轨迹进行预测，以便于更加有效的，实时的了解无人机的飞行状态以便于更加有效地控制无人机。以免发生一些意想不到的问题。

预测无人机飞行轨迹的方法，目前飞行轨迹预测研究中出现的方法可以分为两种：①基于卡尔曼滤波或神经网络等的无参数估计方法，如卷积于反卷积神经网络预测法；②基于航空器动力学或运动学模型方法，如基于4d航迹预测法和新陈代谢gm(1,1)模型预测的方法。而且就目前而言有很多都是基于各种数学预测模型建立的预测模块，其中就包括灰色模型预测法，粒子滤波法，时间序列预测法，马克洛夫预测法，等等。不同的预测算法的模块会根据各自的优点和缺点应用于不用的功能性无人机以及不同的应用环境。

现有技术一

基于4d航迹的无人机飞行轨迹预测模块，4d航迹是以空间和时间的形式，对某一航空器航迹中的各点空间位置一经度、纬度和高度，和时间的精确描述，能够提高空域的利用率和和安全性。基于4d航迹的运行是对大流量、高密度、小间隔条件下空域实施管理的一种有效手段。

模块内部具体的实现方法是首先利用supermap软件创建电子航路网络，电子航路网络图中包含航路的各个要素：航向、距离等；根据航空器的性能参数，可以推测航空器在某时间点所飞行的距离，从而可在构建的航路网络中找出航路上航空器预计到达的位置，预测航路中航空器的4d飞行轨迹。

基于4d航迹的无人机飞行轨迹预测模块存在以下缺陷：

1.模块算法过于复杂，空间复杂度和时间复杂度要求都很高，不适合计算大量的数据；

2.计算需要的参数比较多，这就对无人机的轨迹预测有诸多限制，不适宜无人机在某些特定情况下进行预测。

现有技术二

基于新陈代谢gm(1,1)模型的无人机飞行轨迹预测模块，新陈代谢gm(1,1)模型即是连续不断的建立gm(1,1)模型，实现由点到线的过程。在需要的时候调用内部的飞行轨迹预测模块，实现对无人机接下来的飞行轨迹的预测。

模块内部具体的实现方法是在最开始以无人机的初始位置为起始位置，然后根据无人机所处的环境，天气，温度，风向，无人机的速度等各种外部因素建立gm(1,1)模型，推算出接下来无人机有可能出现的位置，然后再以无人机推算出的新位置为起始位置，再建立gm(1,1)模型推算出接下来无人机有可能出现的位置，就这样不断的以新位置为起始位置，不断建立gm(1,1)模型推算出接下来有可能的位置。该过程就称之为新陈代谢gm(1,1)模型。经历以上的过程在之后，该模型不断补充新的位置测量信息,舍弃较老的位置测量信息，从而取得较高的预测精度，然后就会形成一条轨迹，该轨迹即是通过基于新陈代谢gm(1,1)模型预测的无人机飞行轨迹。

基于新陈代谢gm(1,1)模型的无人机飞行轨迹预测模块，存在以下缺陷：

1.只适用于中短期的预测，并不能针对无人机的进行长期的行为预测；

2.只适合近似于指数增长的预测，在无人机的某些复杂的飞行环境之下并不能够进行准确的预测。

缩略语和关键术语定义

卷积(convolutional)：卷积在图像处理领域被广泛的应用，像滤波、边缘检测、图片锐化等，都是通过不同的卷积核来实现的。在卷积神经网络中通过卷积操作可以提取图片中的特征，低层的卷积层可以提取到图片的一些边缘、线条、角等特征，高层的卷积能够从低层的卷积层中学到更复杂的特征，从而实现到图片的分类和识别。

反卷积：反卷积也被称为转置卷积，反卷积其实就是卷积的逆过程。大家可能对于反卷积的认识有一个误区，以为通过反卷积就可以获取到经过卷积之前的图片，实际上通过反卷积操作并不能还原出卷积之前的图片，只能还原出卷积之前图片的尺寸。通过反卷积可以用来可视化卷积的过程，反卷积在gan等领域中有着大量的应用。

神经网络：神经网络是一门重要的机器学习技术。它是目前最为火热的研究方向--深度学习的基础。神经网络是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术。人脑中的神经网络是一个非常复杂的组织。成人的大脑中估计有1000亿个神经元之多。机器学习即是模拟人脑的神经网络结构研发而来。

技术实现要素：

本发明针对现有技术的缺陷，提供了一种无人机轨迹预测模块及其预测方法，解决了现有技术中存在的缺陷。

为了实现以上发明目的，本发明采取的技术方案如下：

一种无人机轨迹预测模块，包括：低空雷达、光电探测设备、位置信息处理单元、视频信息处理单元、反卷积神经网络算法单元和数据整合单元；

低空雷达用于获取无人机水平面上的位置信息，传输给位置信息处理单元；

光电探测设备用于获取无人机姿态信息和竖直平面的位置信息，传输给位置信息处理单元；

位置信息处理单元用于处理光电和雷达采集到的无人机位置信息，转化为反卷积神经网络算法能训练的数据

视频信息处理单元用于处理光电传入无人机姿态信息，转化为反卷积神经网络算法能训练的数据。

反卷积神经网络算法单元内置反卷积神经网络算法训练方法，用于训练处理位置信息和姿态信息。

数据整合单元用于将输出结果进行处理，形成可直接观测的预测轨迹和可能性概率。

本发明还公开了一种无人机轨迹预测模块的预测方法，包括以下步骤：

1.使用低空雷达和光电探测设备在t时刻内，n次记录无人机的位置和对应的姿态，位置包括：飞行高度和水平坐标；

2.将无人机的位置信息和姿态信息输入反神经网络算法进行训练；

3.训练成功后，若按规定输入无人机经过的坐标点、高度和姿态信息，可预测该无人机的整体飞行轨迹。

与现有技术相比，本发明的优点在于：

1、进一步发挥低空雷达和光电探测的作用，在实时监控的基础上增加航迹预测的功能；

2、通过结合无人机飞行姿态，提高预测的准确率；

3、对运动状态复杂的无人机飞行轨迹预测更加有效。

附图说明

图1是本发明实施例无人机轨迹预测模块的结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。

如图1所示，一种无人机轨迹预测模块，包括：低空雷达、光电探测设备、位置信息处理单元、视频信息处理单元、反卷积神经网络算法单元和数据整合单元；

低空雷达用于获取无人机水平面上的位置信息，传输给位置信息处理单元；

光电探测设备用于获取无人机姿态信息和竖直平面的位置信息，传输给位置信息处理单元；

位置信息处理单元用于处理光电和雷达采集到的无人机位置信息，转化为反卷积神经网络算法能训练的数据

视频信息处理单元用于处理光电传入无人机姿态信息，转化为反卷积神经网络算法能训练的数据。

反卷积神经网络算法单元内置反卷积神经网络算法训练方法，用于训练处理位置信息和姿态信息。

数据整合单元用于将输出结果进行处理，形成可直接观测的预测轨迹和可能性概率。

一种无人机轨迹预测模块预测方法，包括以下步骤：

1.低空雷达对无人机进行探测，记录无人机位置信息(坐标点)。

2.光电探测设备对无人机飞行姿态信息和竖直平面的位置信息进行获取。

3.将获取到得无人机位置信息传入反卷积神经网络模块数字处理系统。

4.光电探测设备将收集到的无人机飞行姿态信息传入反卷积神经网络模块视频处理系统进行解码。

5.将无人机的位置信息与解码后的视频信息传入反卷积神经网络模块的算法系统并根据信息对无人机的下一阶段的位置进行预测，并逐步实现在三维空间的无人机飞行轨迹预测。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。