基于可信UKF-BiLSTM的无人机位置预测方法及系统

本发明涉及无人机位置预测，具体的是基于可信ukf-bilstm的无人机位置预测方法及系统。

背景技术：

1、当无人机在进行工作时，不可避免地会受到外界环境的影响，这类如风、气旋等因素会导致无人机的运动轨迹产生偏离。这类偏离会对无人机正常的飞行、工作产生一定的影响。

2、在利用kalman滤波对无人机进行跟踪和预测过程中，由于各种外界环境的影响，无法对无人机的位置变化进行精确的建模，同时，无人机的运动为非线性运动，需要近似化技术进行处理，这些都会导致无人机的位置变化模型与实际模型不匹配，严重影响滤波器的性能。

3、现有的针对该现象的算法大多是利用自适应技术对不准确的模型参数进行估计。但是，这些估计的方法往往只能对单一的不准确参数进行估计，如sage-husa滤波在对过程噪声和测量噪声协方差进行同时估计时不可避免地会产生发散的现象，很大程度上限制了模型参数估计的效果。同时，大部分自适应滤波的可解释性较差，不能从模型层面准确说明如何对模型匹配性进行提高，且无法对模型的匹配性进行准确的量化。

4、现如今，随着对天空探索的不断深入，无人机的预测算法也在迅速发展，通过对无人机进行精确的跟踪和预测，是无人机顺利完成任务的重要保障，所以目前研究无人机位置预测的热潮仍在持续，期望能够进一步提升预测精度。

技术实现思路

1、为解决上述背景技术中提到的不足，本发明的目的在于提供基于可信ukf-bilstm的无人机位置预测方法及系统。

2、第一方面，本发明的目的可以通过以下技术方案实现：基于可信ukf-bilstm的无人机位置预测方法，方法包括以下步骤：

3、获取无人机位置数据，将无人机位置数据输入至预先建立的bilstm模型内进行训练，输出得到无人机位置变化模型；

4、获取无人机位置的观测值，将无人机位置的观测值输入至无人机位置变化模型内对无人机位置变化进行预测，输出得到无人机位置预测结果。

5、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述无人机位置数据的采集过程包括：

6、配备支持rtk技术的无人机和地面参考站，地面参考站作为rtk系统的固定基准点。

7、对rtk基站进行设置，通过无线电或网络将无人机上的rtk接收器与基站链接，实现设备间的通信。

8、在无人机飞行过程中，位置数据和其他传感器数据会保存在无人机的内部存储器中，或通过无线传输实时传送至地面站进行存储。

9、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述将无人机位置数据输入至预先建立的bilstm模型内进行训练，输出得到无人机位置变化模型的计算公式如下：

10、xi,k|k-1＝bilstm(xi,k-1)

11、式中，xi,k-1为k-1时刻的sigma采样点，xi,k|k-1为非线性传递后的xi,k-1。

12、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述将无人机位置的观测值输入至无人机位置变化模型内对无人机位置变化进行预测的过程：

13、非线性传递：

14、

15、由和进行sigma采样得到xi,k-1：

16、

17、sigma点集经过非线性传递后的结果如下：

18、

19、更新滤波增益、估计值和误差协方差：

20、

21、

22、式中，采样点数为2n+1，为滤波器计算误差协方差，为计算测量误差协方差，ω为惯性权重，为滤波器假设的过程噪声协方差；λ为比例因子；h(·)为量测函数；k为增益矩阵；为先验误差测量误差互协方差。

23、结合第一方面，在第一方面的某些实现方式中，该方法还包括：可信度求解过程和公式如下：

24、

25、可信度被设置为：

26、

27、将损失函数设置为

28、第二方面，为了达到上述目的，本发明公开了基于可信ukf-bilstm的无人机位置预测系统，包括：

29、模型训练模块，用于获取无人机位置数据，将无人机位置数据输入至预先建立的bilstm模型内进行训练，输出得到无人机位置变化模型；

30、位置预测模块，用于获取无人机位置的观测值，将无人机位置的观测值输入至无人机位置变化模型内对无人机位置变化进行预测，输出得到无人机位置预测结果。

31、结合第二方面，在第二方面的某些实现方式中，该系统还包括：所述模型训练模块无人机位置数据的采集过程包括：

32、配备支持rtk技术的无人机和地面参考站，地面参考站作为rtk系统的固定基准点。

33、对rtk基站进行设置，通过无线电或网络将无人机上的rtk接收器与基站链接，实现设备间的通信。

34、在无人机飞行过程中，位置数据和其他传感器数据会保存在无人机的内部存储器中，或通过无线传输实时传送至地面站进行存储。

35、模型训练模块将无人机位置数据输入至预先建立的bilstm模型内进行训练，输出得到无人机位置变化模型的计算公式如下：

36、xi,k|k-1＝bilstm(xi,k-1)

37、式中，xi,k-1为k-1时刻的sigma采样点，xi,k|k-1为非线性传递后的xi,k-1；

38、位置预测模块将无人机位置的观测值输入至无人机位置变化模型内对无人机位置变化进行预测的过程：

39、非线性传递：

40、

41、由和进行sigma采样得到xi,k-1：

42、

43、sigma点集经过非线性传递后的结果如下：

44、

45、更新滤波增益、估计值和误差协方差：

46、

47、式中，采样点数为2n+1，为滤波器计算误差协方差，为计算测量误差协方差，ω为惯性权重，为滤波器假设的过程噪声协方差；λ为比例因子；h(·)为量测函数；k为增益矩阵；为先验误差测量误差互协方差；

48、位置预测模块可信度求解过程和公式如下：

49、

50、可信度被设置为：

51、

52、将损失函数设置为

53、在本发明的又一方面，为了达到上述目的，公开了一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，所述存储器中存储有能够在处理器上运行的计算机程序，所述处理器加载并执行计算机程序时，采用了如上所述的基于可信ukf-bilstm的无人机位置预测方法。

54、在本发明的另一方面，为了达到上述目的，公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器加载并执行时，采用了如上所述的基于可信ukf-bilstm的无人机位置预测方法。

55、本发明的有益效果：

56、本发明提出的无人机位置预测方法在进行预测时利用bilstm获取非线性传递函数，可以更好地对无人机位置变化的非线性传递过程进行描述，结合ukf对无人机位置进行跟踪和预测，并根据可信度设置相关的损失函数，使bilstm的优化方向始终保持与可信度增加方向一致，同时可以较为实时可观地反映模型的匹配性。与传统的无人机预测算法相比，具有更好的精度和可解释性。