面向任务的合作类无人机轨迹预测技术研究

发布时间：2020-05-05 03:31

【摘要】：本文以面向任务的合作类无人机为对象,研究在典型任务场景下,利用现行监管平台中无人机的历史飞行轨迹数据和实时获取的飞行状态数据,对其未来短时飞行轨迹进行实时预测的算法。本文遵照循序渐进的思路,逐步对所提出的轨迹预测算法进行完善,主要工作如下:(1)为了在兼顾实时预测性能的同时充分利用无人机历史飞行轨迹,本文基于RVFLNN模型,提出RVFLNN短时轨迹预测算法,在利用无人机历史轨迹数据进行训练后,RVFLNN能较好把握无人机的飞行趋势,实现对无人机下一采样时刻位置信息进行精度较高的快速实时预测。(2)针对RVFLNN预测性能随预测步长快速下降的问题,本文利用Kalman滤波器原理,将RVFLNN与基本运动模型进行动态加权组合,提出结合运动模型的RVFLNN轨迹预测算法。当运动模型与无人机下一预测时刻的飞行模态相匹配时,相比于RVFLNN,结合该运动模型的组合预测算法具有更优越的多步预测性能。(3)为了使预测算法与无人机飞行全过程多个飞行模态相匹配,本文利用IMM原理,提出RVFLNN-IMM轨迹预测算法,该算法能自适应匹配无人机飞行全过程中不同的飞行模态。之后,本文在RVFLNN-IMM中加入Softmax分类器,提出基于Softmax分类器的RVFLNNIMM轨迹预测算法。该算法通过对无人机下一预测时刻飞行模态进行预判,从模型集中筛选出更匹配的运动模型子集参与预测,有效提高RVFLNN-IMM在无人机飞行全过程中的多步预测性能。通过仿真验证,本文经过一系列改进得到的基于Softmax分类器的RVFLNN-IMM轨迹预测算法能够实现对特定任务下合作类无人机未来短时飞行轨迹进行较为精确的实时预测,可以为未来对无人机运行进行更精细化的管理提供技术支持。
【图文】：

场景,无人机,仓库,禁飞区

送到客户手中的模式，即仓库到个人模式；另一种模式是由无人机从仓库将商品运输至指定的配送点，之后由快递员完成最后对客户的配送，即仓库到配送点模式。考虑到末端配送风险以及基础设施不健全等因素，国内的企业更愿意发展第二种配送模式[26]，因此本文在设计物流无人机的仿真任务场景参照第二种配送模式。综合以上分析，本节选定物流无人机作为典型的任务，并设计物流无人机末端配送的仿真任务场景，所设计的任务场景包含一个仓库，四个配送点，一个禁飞区域和两个障碍物。仓库为无人机配送任务起始点以及完成配送任务后需要返回的终点；配送点为无人机为了完成运输任务，，在一次正常飞行过程中需要到达的点；禁飞区通常为政府机关、发电站等所在地，图中所示区域包含其保护区，即无人机不飞入所示禁飞区边缘即可；障碍物通常为高楼或者山地，由于末端配送物流无人机的飞行高度通常被限制在一定范围以下，在遇到高大的障碍物时，需要绕飞。目前物流无人机的试点运行中，主要的应用场景为乡镇，低空空域的复杂程度低，物流无人机的飞行路线通常划设为直线即可[27]，则对该无人机的管制需求也较低。本文主要针对未来物流无人机可能被应用的城市场景，由于城市空域复杂程度通常较高，因此本文将模拟的仿真任务场景也设计得较为复杂，且更复杂的飞行路线能更好地测试本文所提出的预测算法的预测性能。

无人机,飞行轨迹,数据集,飞行任务

南京航空航天大学硕士学位论文无人机飞行的影响，得到无人机一次飞行所产生的飞行轨迹点。通过上述方法，分别产生无人机执行 10 次 O→A→B→O、O→B→C→O、O→D→C→O 配送任务产生的轨迹点作为无人机面向物流任务的历史飞行轨迹数据集。轨迹数据集如图 2.2 所示：
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V279

【相似文献】