一种无人机飞行控制系统

1.本发明涉及无人机控制领域，更具体的说是涉及一种无人机飞行控制系统。


背景技术：

2.随着传感技术、航空技术、导航技术、人工智能和控制技术的发展，近年来，无人机获得了突飞猛进的发展。相对大型飞行器，小型无人机由于体积小、重量较轻、在飞行过程中易受到干扰，对其飞行控制系统提出了更高的要求。
3.目前无人机在恶劣天气很难保证能够正常工作，从而导致任务中断甚至造成无人机坠落等严重后果。因此，设计一种无人机飞行控制系统，根据天气情况自动规划飞行策略，保证无人机的飞行安全，是本领域技术人员亟需解决的问题。


技术实现要素：

4.有鉴于此，本发明提供了一种无人机飞行控制系统，能够根据天气情况自动规划飞行策略，保证无人机的飞行安全，提高不同天气条件下无人机飞行的稳定性。
5.为了实现上述目的，本发明采用如下技术方案：
6.一种无人机飞行控制系统，包括主控模块、imu模块、摄像模块、装载平衡装置、定位导航模块、，所述定位导航模块、imu模块、与所述主控模块连接；所述装载平衡装置和摄像模块安装于无人机机身并与所述主控模块连接；
7.所述imu模块用于获取无人机的飞行姿态数据并传输至主控模块；
8.所述摄像模块用于实时拍摄无人机所处场景的天气图像，将拍摄图像传输至所述主控模块；
9.所述主控模块包括天气检测子模块、飞行策略控制子模块以及执行子模块；所述天气检测子模块、飞行策略控制子模块、执行子模块依次连接；
10.所述天气检测子模块用于根据所述拍摄图像预测天气情况；
11.所述飞行策略控制子模块用于根据所述天气预测结果以及所述无人机飞行姿态数据输出最终飞行策略；
12.所述执行子模块用于根据所述最终飞行策略控制无人机飞行。
13.优选的，所述飞行策略控制子模块包括风力飞行控制单元；
14.所述风力飞行控制单元包括数据分析子单元、测试子单元以及风力调整子单元；
15.所述数据分析子单元用于接收所述飞行姿态数据并计算所述无人机的俯仰角度，判断风力大小；
16.所述测试子单元用于根据所述风力大小判断出无人机在对应大小风力下达到设定俯仰角度时所需要的能耗，与对应大小风力条件下达到的相同设定俯仰角度时的实际能耗进行差值计算，并判断出相同俯仰角度之间的能耗差距，同时记录相同能耗下的俯仰角度之间的偏差；
17.所述风力调整子单元与所述装载平衡装置连接，用于矫正相同能耗下的俯仰角度
之间的偏差，生成对应风力条件下对应俯仰角度的所述装载平衡装置的重心调节方式。
18.优选的，所述装载平衡装置为以无人机重心为圆心的空心圆环，所述空心圆环底部间隔均匀地设置四组收纳仓，所述空心圆环内部填充无气泡的防冻液；所述收纳仓内置活塞组件，所述活塞组件用于控制防冻液的流动。
19.优选的，所述所述天气检测子模块包括图像处理子单元、天气预测子单元；
20.所述图像处理子单元用于对所述拍摄图像进行预处理，并将经过预处理的拍摄图像分割成两部分：包含天空区域天气信息的天空图像和包括地面区域天气信息的地面图像；
21.所述天气预测子单元内设置天气预测模型，用于根据所述拍摄图像、天空图像和地面图像输出天气现象类型。
22.优选的，所述天气预测模型包括依次连接的三通道卷积神经网络、特征融合模块、完全连接层和softmax分类器；所述三通道卷积神经网络包括用于提取天空特征的第一卷积神经网络分支、用于提取全局特征的第二卷积神经网络分支和用于提取地面特征的第三卷积神经网络分支；所述特征融合模块用于融合三通道卷积神经网络提取的天空特征、地面特征和全局特征；所述完全连接层和softmax分类器用于结合融合后的特征信息识别得到天气现象类型。
23.优选的，所述拍摄图像导入第二卷积神经网络分支，所述天空图像导入第一卷积神经网络分支，所述地面图像导入第三卷积神经网络分支，识别得到当前天气图像对应的天气现象类型。
24.优选的，所述第一卷积神经网络分支和第三卷积神经网络分支采用由5层卷积层和1层max池化层组成的cnn5卷积神经网络，所述第二卷积神经网络分支采用由1层卷积层、1层max池化层和4组残差模块组成的resnet15残差网络。
25.优选的，所述飞行策略控制子模块还包括天气飞行控制单元；
26.所述天气预测子单元与所述天气飞行控制单元连接，所述天气飞行控制单元根据天气现象类型确定飞行策略并传输至所述执行子模块执行所述飞行策略。
27.经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种无人机飞行控制系统，通过在无人机上装配装载平衡装置，对无人机的重心进行调整，保证不同风力下无人机的平稳飞行；同时利用天气识别模型对天气现象进行识别，并根据识别结果自动制定飞行策略，进一步提高了无人机控制的智能化，保证无人机的飞行安全。
附图说明
28.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
29.图1为本发明无人机飞行控制系统架构示意图；
30.图2为本发明实施例提供的装载平衡装置剖面示意图；
31.图3为本发明的天气识别模型的网络结构示意图。
具体实施方式
32.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
33.本发明实施例公开了一种无人机飞行控制系统，如图1所示，包括主控模块、imu模块、摄像模块、装载平衡装置、定位导航模块、，定位导航模块、imu模块、与主控模块连接；装载平衡装置和摄像模块安装于无人机机身并与主控模块连接。
34.imu模块用于获取无人机的飞行姿态数据并传输至主控模块；
35.摄像模块用于实时拍摄无人机所处场景的天气图像，将拍摄图像传输至主控模块；
36.主控模块包括天气检测子模块、飞行策略控制子模块以及执行子模块；天气检测子模块、飞行策略控制子模块、执行子模块依次连接；
37.天气检测子模块用于根据拍摄图像预测天气情况；
38.飞行策略控制子模块用于根据天气预测结果以及无人机飞行姿态数据输出最终飞行策略；
39.执行子模块用于根据最终飞行策略控制无人机飞行。
40.优选的，飞行策略控制子模块包括风力飞行控制单元；
41.风力飞行控制单元包括数据分析子单元、测试子单元以及风力调整子单元；
42.数据分析子单元用于接收飞行姿态数据并计算无人机的俯仰角度，判断风力大小；
43.测试子单元用于根据风力大小判断出无人机在对应大小风力下达到设定俯仰角度时所需要的能耗，与对应大小风力条件下达到的相同设定俯仰角度时的实际能耗进行差值计算，并判断出相同俯仰角度之间的能耗差距，同时记录相同能耗下的俯仰角度之间的偏差；
44.风力调整子单元与装载平衡装置连接，用于矫正相同能耗下的俯仰角度之间的偏差，生成对应风力条件下对应俯仰角度的装载平衡装置的重心调节方式。
45.进一步，如图2所示，装载平衡装置为以无人机重心为圆心的空心圆环，空心圆环底部间隔均匀地设置四组收纳仓，空心圆环内部填充无气泡的防冻液；收纳仓内置活塞组件，活塞组件用于控制防冻液的流动。
46.生成对应风力条件下对应俯仰角度的装载平衡装置的重心调节方式即为：风力调整子单元控制装载平衡装置中的活塞组件移动，对空心圆环中的防冻液进行推动，对装载平衡单元的重心进行调节，矫正相同能耗下的俯仰角度之间的偏差。
47.优选的，天气检测子模块包括图像处理子单元、天气预测子单元；
48.图像处理子单元用于对拍摄图像进行预处理，并将经过预处理的拍摄图像分割成两部分：包含天空区域天气信息的天空图像和包括地面区域天气信息的地面图像；
49.天气预测子单元内设置天气预测模型，用于根据拍摄图像、天空图像和地面图像输出天气现象类型。
50.天气预测模型结构如图3所示，包括依次连接的三通道卷积神经网络、特征融合模
块、完全连接层和softmax分类器；三通道卷积神经网络包括用于提取天空特征的第一卷积神经网络分支、用于提取全局特征的第二卷积神经网络分支和用于提取地面特征的第三卷积神经网络分支；特征融合模块用于融合三通道卷积神经网络提取的天空特征、地面特征和全局特征；完全连接层和softmax分类器用于结合融合后的特征信息识别得到天气现象类型。
51.第一卷积神经网络分支和第三卷积神经网络分支采用由5层卷积层和1层max池化层组成的cnn5卷积神经网络，第二卷积神经网络分支采用由1层卷积层、1层max池化层和4组残差模块组成的resnet15残差网络。
52.具体地，上述天气预测模型的结构参数如表1所示：
53.表1
[0054][0055]
其中，拍摄图像导入第二卷积神经网络分支，天空图像导入第一卷积神经网络分支，地面图像导入第三卷积神经网络分支，识别得到当前天气图像对应的天气现象类型。
[0056]
进一步，天气预测模型的训练过程如下：
[0057]
构建天气图像数据集，该数据集总共包含6185张天气图像，远少于传统图像识别方法中所需的样本数量，数据集包含的天气图像分为阴天、雾天、雨天、沙尘、雪天、晴天六类，每类天气图像都分为训练集和测试集，其中4800张用于训练，1385张用于测试，每张图像统一处理为256
×
256像素。这些图像大部分都是从网络上采集到的，图像模式包括航拍、相机、新闻、交通事故、汽车数据记录仪等，并且根据需求进行了筛选。由于这些图像是多角度拍摄的，并且包含多种复杂场景，而且每类天气的图像数量都相对较大，因此具有一定的泛化性和普适性。
[0058]
首先通过天气图像数据集中的训练集图像训练本发明提出的天气识别模型，并把测试集图像输入训练完成后的模型进行天气识别输出分类结果(阴天、雾天、雨天、沙尘、雪天、晴天六类天气状况之一)。根据测试图片的分类结果计算识别精度，其中对阴天识别精
度为86.18％，雾天识别精度为91.86％，雨天识别精度为87.06％，沙尘识别精度为98.25％，雪天识别精度为90.95％，晴天识别精度为94.12％，平均识别精度为91.34％。
[0059]
优选的，飞行策略控制子模块还包括天气飞行控制单元；
[0060]
天气预测子单元与天气飞行控制单元连接，天气飞行控制单元根据天气现象类型确定飞行策略并传输至执行子模块执行飞行策略；具体地，当天气现象类型输出为晴天时，无人机正常飞行；当天气现象类型输出为阴天、雨天、雾天、雪天或沙尘时，无人机主控模块开启照灯，根据导航定位模块的引导飞行至目标降落区。
[0061]
具体地，针对天气情况制定飞行策略，例如预测出天气状况为雨天，根据无人机的起点和目标点结合天气状况预测飞行路径，可以是躲避雨天覆盖区，或者是尽量少的穿过雨天覆盖区。
[0062]
飞行轨迹规划根据接收到的数据以及避撞功能的支持，进行动态飞行航迹的规划，主要涉及避撞规则、构建规划空间算法、无人机运动模型、代价函数和算法求解等方面。
[0063]
其中，动态飞行航迹的规划问题可以看成是一个求解最优问题的过程，寻找一组决策变量在满足其约束条件下飞目标函数的最优解。
[0064]
具体实施过程中，无人机实时获取风力大小通过装载平衡装置调节飞行姿态，当风力大小超过预设阈值时则根据导航定位模块的引导飞行至目标降落区；同时实时获取天气图像，并输入天气识别模型得到天气类型识别结果，根据识别结果控制无人机飞行。
[0065]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0066]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种无人机飞行控制系统，其特征在于，包括主控模块、imu模块、摄像模块、装载平衡装置、定位导航模块，所述定位导航模块、imu模块、与所述主控模块连接；所述装载平衡装置和摄像模块安装于无人机机身并与所述主控模块连接；所述imu模块用于获取无人机的飞行姿态数据并传输至主控模块；所述摄像模块用于实时拍摄无人机所处场景的天气图像，将拍摄图像传输至所述主控模块；所述主控模块包括天气检测子模块、飞行策略控制子模块以及执行子模块；所述天气检测子模块、飞行策略控制子模块、执行子模块依次连接；所述天气检测子模块用于根据所述拍摄图像预测天气情况；所述飞行策略控制子模块用于根据所述天气预测结果以及所述无人机飞行姿态数据输出最终飞行策略；所述执行子模块用于根据所述最终飞行策略控制无人机飞行。2.根据权利要求1所述的一种无人机飞行控制系统，其特征在于，所述飞行策略控制子模块包括风力飞行控制单元；所述风力飞行控制单元包括数据分析子单元、测试子单元以及风力调整子单元；所述数据分析子单元用于接收所述飞行姿态数据并计算所述无人机的俯仰角度，判断风力大小；所述测试子单元用于根据所述风力大小判断出无人机在对应大小风力下达到设定俯仰角度时所需要的能耗，与对应大小风力条件下达到的相同设定俯仰角度时的实际能耗进行差值计算，并判断出相同俯仰角度之间的能耗差距，同时记录相同能耗下的俯仰角度之间的偏差；所述风力调整子单元与所述装载平衡装置连接，用于矫正相同能耗下的俯仰角度之间的偏差，生成对应风力条件下对应俯仰角度的所述装载平衡装置的重心调节方式。3.根据权利要求2所述的一种无人机飞行控制系统，其特征在于，所述装载平衡装置为以无人机重心为圆心的空心圆环，所述空心圆环底部间隔均匀地设置四组收纳仓，所述空心圆环内部填充无气泡的防冻液；所述收纳仓内置活塞组件，所述活塞组件用于控制防冻液的流动。4.根据权利要求1所述的一种无人机飞行控制系统，其特征在于，所述所述天气检测子模块包括图像处理子单元、天气预测子单元；所述图像处理子单元用于对所述拍摄图像进行预处理，并将经过预处理的拍摄图像分割成两部分：包含天空区域天气信息的天空图像和包括地面区域天气信息的地面图像；所述天气预测子单元内设置天气预测模型，用于根据所述拍摄图像、天空图像和地面图像输出天气现象类型。5.根据权利要求4所述的一种无人机飞行控制系统，其特征在于，所述天气预测模型包括依次连接的三通道卷积神经网络、特征融合模块、完全连接层和softmax分类器；所述三通道卷积神经网络包括用于提取天空特征的第一卷积神经网络分支、用于提取全局特征的第二卷积神经网络分支和用于提取地面特征的第三卷积神经网络分支；所述特征融合模块用于融合三通道卷积神经网络提取的天空特征、地面特征和全局特征；所述完全连接层和softmax分类器用于结合融合后的特征信息识别得到天气现象类型。
6.根据权利要求5所述的一种无人机飞行控制系统，其特征在于，所述拍摄图像导入第二卷积神经网络分支，所述天空图像导入第一卷积神经网络分支，所述地面图像导入第三卷积神经网络分支，识别得到当前天气图像对应的天气现象类型。7.根据权利要求5所述的一种无人机飞行控制系统，其特征在于，所述第一卷积神经网络分支和第三卷积神经网络分支采用由5层卷积层和1层max池化层组成的cnn5卷积神经网络，所述第二卷积神经网络分支采用由1层卷积层、1层max池化层和4组残差模块组成的resnet15残差网络。8.根据权利要求5所述的一种无人机飞行控制系统，其特征在于，所述飞行策略控制子模块还包括天气飞行控制单元；所述天气预测子单元与所述天气飞行控制单元连接，所述天气飞行控制单元根据天气现象类型确定飞行策略并传输至所述执行子模块执行所述飞行策略。

技术总结
本发明公开了一种无人机飞行控制系统，属于无人机控制领域。无人机飞行控制系统包括主控模块、IMU模块、摄像模块、装载平衡装置、定位导航模块，定位导航模块、IMU模块、与主控模块连接；装载平衡装置和摄像模块安装于无人机机身并与主控模块连接。本发明通过在无人机上装配装载平衡装置，对无人机的重心进行调整，保证不同风力下无人机的平稳飞行；同时利用天气识别模型对天气现象进行识别，并根据识别结果自动制定飞行策略，进一步提高了无人机控制的智能化，保证无人机的飞行安全。保证无人机的飞行安全。保证无人机的飞行安全。


技术研发人员：张军红 刘贞报 党庆庆 唐勇 支国柱
受保护的技术使用者：西北工业大学
技术研发日：2023.08.25
技术公布日：2023/10/15