CN105242536A - 基于bp神经网络的无人机驾驶路线航点标定方法 - Google Patents

Abstract

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。

Description

基于BP神经网络的无人机驾驶路线航点标定方法

技术领域

本发明涉及无人机自动驾驶技术领域，特别是涉及一种无人机驾驶路线的航点标定方法。

背景技术

近年来，无人机的发展特别迅猛。无人机使用范围已从军事拓展至民用及科研多个领域。军事上，无人机可用于侦查监视、中继通信、电子对抗、战果评估、对地(海)攻击、早期预警等；民用上，用于大气研究、气象观测以及新技术新设备的实验验证等。

2010年4月中旬，美国陆军正式公布了2010年至2035年的无人机系统发展路线图：陆军的近期目标是实现直升机的无人驾驶，即装备新型舰载垂直直升机起降战术无人机，以填补当前迫切的战争需求。有关无人机自动驾驶仪的研究，也愈演愈烈。加拿大MicroPilot公司的无人直升机自动驾驶仪MP2128HELI、瑞士WcControl公司的wcPilot1000微小型无人直升机自动驾驶仪以及美国加州理工研发的HcliAP无人直升机自动驾驶仪都是典型的代表。

目前，国内的无人机自动驾驶仪研究水平还处于仿制阶段，整体研发尚处于起步阶段。

BP神经网络属于前向网络，是神经网络的核心，也是整个神经网路体系中的精华，同时它有别于多层感知器。

发明内容

针对上述的现有技术及存在的问题，本发明提出了一种基于BP神经网络的无人机驾驶路线航点标定方法，在该领域创新性地应用了BP神经网络技术，实现针对无人机地面站在地图上航点的无人机飞行路线标定。

本发明提出了一种基于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：

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；

步骤2：建立BP神经网络输入层的矩阵P；

$P=\left[\begin{array}{cccccc}{a}_{11}& a_{12}& a_{13}& \mathrm{...}& a_{1999}& a_{11000}\\ a_{21}& a_{22}& a_{23}& \mathrm{...}& a_{2999}& a_{21000}\\ a_{31}& a_{32}& a_{33}& \mathrm{...}& a_{3999}& a_{31000}\end{array}\right]$

其中，(a₁₁，a₂₁，a₃₁)表示第1个航点，(a₂₁，a₂₂，a₃₂)表示第2个航点，以此类推，(a₁₉₉₉，a₂₉₉₉，a₃₉₉₉)表示第999个航点，(a₁₁₀₀₀，a₂₁₀₀₀，a₃₁₀₀₀)表示第1000个航点。

步骤3：建立BP神经网络输出端矩阵T；

$T=\left[\begin{array}{cccccc}{b}_{11}& b_{12}& b_{13}& \mathrm{...}& b_{1999}& b_{11000}\\ b_{21}& b_{22}& b_{23}& \mathrm{...}& b_{2999}& b_{21000}\\ b_{31}& b_{32}& b_{33}& \mathrm{...}& b_{3999}& b_{31000}\end{array}\right]$

其中，(b₁₁，b₂₁，b₃₁)表示系统输出经过的第1个航点，(b₁₂，b₂₂，b₃₂)表示系统输出经过的第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，(b₁₁₀₀₀，b₂₁₀₀₀，b₃₁₀₀₀)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5：训练该BP神经网络，[net,tr]＝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进行连线，生成无人机的航点路线。

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。

附图说明

图1是100个航点下的标定路线示意图；

图2是100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；

其中，Train、Validation、Test分别表示训练的结果性能、检验的结果性能、验证的结果性能。Performance表示系统性能，Epochs表示系统训练的步数。从图中可以看出，三条曲线在1000步时，误差都下降到了10^-5(百分比值)。

图3是1000个航点下的标定路线示意图；

图4是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；

其中，Train、Validation、Test、Best分别表示训练的结果性能、检验的结果性能验证的结果性能、系统最佳状态下的性能。Performance表示系统性能，Epochs表示系统训练的步数。BestValidationPerformanceis0.00046723atepoch1000表示在训练到1000步时的最佳检验性能是0.00046723。同时，系统性能用最小均方误差表示MSE(MeanSquaredError)。可以看到，图中①②③条曲线有重叠，说明训练、检验、验证、最佳的结果性能相似。

图5为本发明整体流程图。

具体实施方式

以下结合附图及具体实施方式，进一步详述本发明的技术方案。

普通无人机自动驾驶的路线航点标定都在100个以内，本发明基于BP神经网络(ErrorBackPropagation，即误差反向传播算法神经网络)可以将航点数量提高到1000个。虽然要使用BP神经网络进行飞行路线的训练需要一定的时间，但是，本发明利用基于BP神经网络这一创新点，标定精确度可以达到10^-4数量级(误差值与实际值的比值大小)。同时，在使用BP神经网络时，可以标定航点的方向，从而判断无人机飞行方向是否正确。当无人机在两个航点间飞行时，利用本发明的标定结果可以给出实际飞行路线与设计路线之间的误差，如果误差过大，那么系统就会给出警报。这样，有利于进一步完善无人机自动驾驶仪。

本发明的仿真在MATLAB下进行的：

首先利用MATLAB中的randi函数生成随机的三维航点数据(分别采用了一组100个航点和本发明的1000个航点进行对比)；限定数据范围，模拟空中三维点，并使航点达到1000个。

其次，建立BP神经网络(采用三层的神经网络，其包含输入层、输出层以及一个隐含层)，隐含层采用tansig函数，输出层采用purelin函数，BP网络的权值/阈值学习函数为learngdm，其性能函数为MSE(MeanSquareError)，即用均方误差函数作为性能分析的指标；

最后，针对以上的航点进行曲线拟合，形成无人机的飞行路线。

BP神经网络将输入数据的60％用于训练，20％用于检验，20％用于验证，采用了提前终止的策略，防止过拟合的情况发生，精确度有所提高。如图2和图4所示，分别给出了00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。

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。

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。

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)、纬度、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。纬度范围为(-90°,90°)，负值表示南纬，正值表示北纬；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。

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。

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。

针对这1000个坐航点，进行曲线拟合，形成无人机的飞行路线。

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：

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；

步骤(2)，建立BP神经网络输入层的矩阵P；

$P=\left[\begin{array}{cccccc}{a}_{11}& a_{12}& a_{13}& \mathrm{...}& a_{1999}& a_{11000}\\ a_{21}& a_{22}& a_{23}& \mathrm{...}& a_{2999}& a_{21000}\\ a_{31}& a_{32}& a_{33}& \mathrm{...}& a_{3999}& a_{31000}\end{array}\right]$

其中，(a₁₁，a₂₁，a₃₁)表示第1个航点，(a₂₁，a₂₂，a₃₂)表示第2个航点，以此类推，(a₁₉₉₉，a₂₉₉₉，a₃₉₉₉)表示第999个航点，(a₁₁₀₀₀，a₂₁₀₀₀，a₃₁₀₀₀)表示第1000个航点。

步骤(3)，列出BP神经网络输出端矩阵T；

$T=\left[\begin{array}{cccccc}{b}_{11}& b_{12}& b_{13}& \mathrm{...}& b_{1999}& b_{11000}\\ b_{21}& b_{22}& b_{23}& \mathrm{...}& b_{2999}& b_{21000}\\ b_{31}& b_{32}& b_{33}& \mathrm{...}& b_{3999}& b_{31000}\end{array}\right]$

其中，(b₁₁，b₂₁，b₃₁)表示系统输出经过的第1个航点，(b₁₂，b₂₂，b₃₂)表示系统输出经过的第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，(b₁₁₀₀₀，b₂₁₀₀₀，b₃₁₀₀₀)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(5)，训练该BP神经网络，[net,tr]＝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(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

进行连线，生成无人机的航点路线。

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：

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。

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。

Claims (1)

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，该方法包括以下步骤：

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；

步骤(2)，建立BP神经网络输入层的矩阵P；

$P=\left[\begin{array}{cccccc}{a}_{11}& a_{12}& a_{13}& ...& a_{1999}& a_{11000}\\ a_{21}& a_{22}& a_{23}& ...& a_{2999}& a_{21000}\\ a_{31}& a_{32}& a_{33}& ...& a_{3999}& a_{31000}\end{array}\right]$

其中，(a₁₁，a₂₁，a₃₁)表示第1个航点，(a₂₁，a₂₂，a₃₂)表示第2个航点，以此类推，(a₁₉₉₉，a₂₉₉₉，a₃₉₉₉)表示第999个航点，(a₁₁₀₀₀，a₂₁₀₀₀，a₃₁₀₀₀)表示第1000个航点。

步骤(3)，列出BP神经网络输出端矩阵T；

$T=\left[\begin{array}{cccccc}{b}_{11}& b_{12}& b_{13}& ...& b_{1999}& b_{11000}\\ b_{21}& b_{22}& b_{23}& ...& b_{2999}& b_{21000}\\ b_{31}& b_{32}& b_{33}& ...& b_{3999}& b_{31000}\end{array}\right]$

其中，(b₁₁，b₂₁，b₃₁)表示系统输出经过的第1个航点，(b₁₂，b₂₂，b₃₂)表示系统输出经过的第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，(b₁₁₀₀₀，b₂₁₀₀₀，b₃₁₀₀₀)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(5)，训练该BP神经网络，[net,tr]＝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(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进行连线，生成无人机的航点路线。