基于混沌麻雀搜索优化模糊PID参数的无人机手势控制方法及控制系统

基于混沌麻雀搜索优化模糊pid参数的无人机手势控制方法及控制系统
技术领域
1.本发明涉及无人机手势控制，具体是涉及一种基于混沌麻雀搜索优化模糊pid参数的无人机手势控制方法及控制系统。


背景技术：

2.随着计算机技术的发展，用传统方法进行人机交互已经无法满足用户的需求，因此越来越多关于新型人机交互方式的研究涌现。无人机行业的发展迅速，但目前应用于无人机的操控方式仍存在一些弊端。一是传统的控制方式较为单一，几乎只有遥控器和地面站两种；二是通过遥控器操控无人机具有一定的门槛和较长的学习周期。
3.无人机的传统操控方式一般是用rf射频遥控器来实现，人通过遥控的按键和摇杆生成控制指令，然后经过内部射频电路将单一的控制指令发射出去。其通信距离远，但对人员操作要求较高，一般需要进行专业培训，不能满足对于无人机便捷控制的需求。如今的人机交互可以通过：指纹识别、声纹识别、视网膜识别、手势识别、人体表面肌电信号检测等。手势作为交互方式的一种，其具有灵活便捷的特性，且手作为人类交流所使用肢体语言中最常用的器官，其表达的含义丰富且使用自然。
4.目前主流手势控制方式主要有两种：一种是基于运动传感器的手势控制，另一种是基于图像采集的手势控制。基于图像的手势识别一般使用视觉传感器采集手势图像，无需在手上佩戴数据采集设备，手势控制通过裸手即可进行，手势动作表达自然流畅，无佩戴设备的负担。本发明提出将手势识别与无人机飞行控制进行整合的想法，但对于无人机这样一个多模块关联的复杂系统，想要将手势识别技术与无人机控制结合，就需要深入的研究手势信号与无人机飞控系统之间的联系。


技术实现要素：

5.发明目的：针对以上缺点，本发明提供一种控制准确度、稳定性高的基于混沌麻雀搜索优化模糊pid参数的无人机手势控制方法。
6.本发明还提供一种基于混沌麻雀搜索优化模糊pid参数的无人机手势控制系统。
7.技术方案：为解决上述问题，本发明采用一种基于混沌麻雀搜索优化模糊pid参数的无人机手势控制方法，包括以下步骤：
8.(1)设置手势动作指令与无人机控制指令之间的映射关系；
9.(2)以步骤(1)中得到的映射关系为基础，采用反向学习策略改进的麻雀搜索算法进行模糊pid控制参数自寻优，实现pid控制参数的智能调节，得到手势动作指令至无人机控制指令的最优控制参数；
10.(3)获取手势动作，基于动态手势识别模型对手势动作进行解析得到手势动作指令；所述动态手势识别模型通过利用动态时间规整算法并基于视觉图像进行建立；
11.(4)根据得到的手势动作指令控制无人机的运动。
12.进一步的，所述步骤(1)中将手势动作指令中的手势类型以及手势的幅值映射为无人机运动的飞行方向以及运动的目标点距无人机当前位置的距离；
13.所述手势类型包括：向左挥手、向右挥手、向上挥手、向下挥手、顺时针画圈、逆时针画圈，分别对应无人机飞行方向为：向左飞行、向右飞行、向上爬升、向下俯冲、向前飞行、向后飞行；
14.所述手势的幅值包括三个等级：0～m/3为小幅度、m/3～2m/3为中幅度、2m/3～m为大幅度，其中，0～m为最大采集范围，小、中、大幅度对应的目标点与当前位置的距离分别为5m/3、5m、25m/3。
15.进一步的，所述步骤(2)中对无人机位置环的3个通道x、y、z设计3个控制器，设置手势动作所对应的无人机目标位置与当前位置的误差e和误差变化率ec作为模糊控制器的输入量，经过量化因子ke、k
ec
的模糊化处理，转化为模糊控制器的输入e、ec，模糊pid控制器的输出u为pid调节器3个参数的修正量δk
p
、δki、δkd；根据修正量得到修正后的pid控制参数：
[0016][0017]
其中，k
′
p
、k
′i、k
′d为修正前的pid控制参数，k
p
、ki、kd为修正后的pid控制参数。
[0018]
进一步的，所述步骤(2)中通过经验设置pid控制参数的初始值，利用改进的麻雀搜索算法issa进行模糊pid控制器的量化因子ke、k
ec
、比例因子ku的寻优；
[0019]
根据ke、k
ec
、ku的取值范围构建一个三维的目标搜索空间，并使用立方混沌映射和反向学习策略的方法产生麻雀的初始位置来初始化麻雀种群；
[0020]
初始化麻雀种群，麻雀种群包括c个三维个体，首先随机产生一个每维均为-1到1的三维向量y1作为第一个个体，之后使用立方映射公式对y1的每一维进行迭代得到剩余的c-1个个体；之后将立方映射产生的变量值映射到麻雀个体上，利用立方混沌映射得到的麻雀种群记为h
p
；
[0021]
使用反向学习策略再次对初始化的麻雀种群h
p
进行处理得到麻雀种群ho，ho中的个体位置为：
[0022][0023]
其中，为第i个麻雀通过立方混沌映射后在目标搜索空间的位置，x
lb
、x
ub
为目标搜索空间的上、下边界；为第i个麻雀通过反向学习策略后在目标搜索空间的位置；
[0024]
通过反向学习策略再次获得c个初始化个体，合并麻雀种群h
p
和ho，取出适应度最好的c个麻雀个体组成初始化种群，记为h0；
[0025]
采用黄金正弦的方式对发现者、跟随者和帧察者的位置更新算法进行改进；
[0026]
发现者的位置更新公式为：
[0027]
[0028]
其中，r1、r2随机取值，且r1∈[0,2π],r2∈[0,π]；b为随机数且b∈[0,1]，d为符合正态分布的随机数，sr为安全阈值，是一个常数；w为元素全为1的向量；为第i个麻雀第t次迭代时的位置；为第t次迭代时的最优位置；ξ1、ξ2为控制更新步长和方向的参数；
[0029]
跟随者的位置更新公式为：
[0030][0031]
其中，为第t次迭代时的最差位置，c为种群大小，a为一个各元素随机设为1或者-1的矩阵，且a
+
＝a
t
(aa
t
)-1
；
[0032]
帧察者的位置更新公式为：
[0033][0034]
其中，fi为当前麻雀个体的适应度值；f
best
、f
worst
分别表示当前迭代数下的全局最优适应度和最差适应度值；β为服从(0,1)的正态分布的随机数；r∈[-1,1]为一个随机数，ε为一个设定的小量常数；
[0035]
初始化种群后，按照麻雀群各自的位置迭代公式更新麻雀群的位置后，计算种群中每个麻雀的适应度大小，即itae值，记为fi；使用优化后的贪婪策略进行位置更新，计算方式如下：
[0036][0037]
其中，fi、f
new
分别为位置更新前后的适应度，为更新后的位置，ξ3为随机数，且ξ3∈[0,1]；
[0038]
当迭代次数达到最大迭代次数或麻雀群迄今为止搜索到的最优位置满足预定的最小适应度阈值时停止迭代，输出寻优得到的最优解。
[0039]
进一步的，帧察者的数量采用线性递减公式，如下：
[0040][0041]
其中，num为当前侦察者数量，num
ini
为初始侦察者数量，t为当前迭代次数，t
max
为最大迭代次数。
[0042]
进一步的，所述步骤(3)中采用双目摄像头获取手势动作，并采集手势数据构建手势数据集，手势数据包括手相对于双目摄像头坐标系的位置信息和速度信息；将手运动过程中运动速度最大值的5％作为手势分割阈值，以分割手势的运动状态和静止状态，对分割后的手势数据分别进行预处理，将其分类存储以建立手势数据集；
[0043]
以手势数据中的食指指尖位置信息作为手势特征，以食指指尖坐标为每个手势创
建一个二维特征向量，得到手势特征序列；
[0044]
利用改进的动态时间规整算法dtw进行基于视觉图像的动态手势识别模型的建立，基于动态手势识别模型解析手势动作具体为：对每种手势类型进行n个样本采集得到每种手势类型的手势样本集，将待测手势动作分别与每种手势类型的手势样本集进行dtw运算，分别得到n个累积欧式距离，对得到的n个累积欧式距离，累积欧式距离平均值较小的对应的手势类型为待测手势动作的手势类型。
[0045]
进一步的，所述动态手势识别模型的建立具体为：定义样本手势动作对应的手势特征序列q和待测手势动作对应的手势特征序列c；序列中的每一个点的值为手势特征序列每一帧的数据，手势特征序列q共有n帧，第i帧的数据是qi；手势特征序列c共有m帧，第j帧的数据是cj；
[0046]
q＝{q1,q2,q3,
…
,qi,
…
,qn}，c＝{c1,c2,c3,
…
,cj,
…
,cm}
[0047]
将手势特征序列q和手势特征序列c进行时间轴上的对齐；具体通过构造一个n
×
m的矩阵网格，其中矩阵元素(i,j)表示qi和cj两个点的欧式距离d(qi,cj)，寻找一条通过此网格中若干格点的路径，路径通过的格点即为两个序列中进行对齐计算的点，路径w的第k个元素定义为wk＝(i,j)k，手势特征序列q和手势特征序列c的映射为：
[0048]
w＝{w1,w2,
…
,wk,
…
,wk}max(m,n)≤k≤m+n-1
[0049]
进行动态规划时，保证规划路径以w1＝(1,1)开头且以wk＝(m,n)结尾，当w
k-1
＝(a
′
,b
′
)时，对于路径的下一个点wk＝(a,b)需要满足：
[0050]
0≤(a-a
′
)≤1,0≤(b-b
′
)≤1
[0051]
最优规整路径w为所有节点的距离之和最小：
[0052][0053]
其中，k用于对不同长度的规整路径做补偿。
[0054]
本发明还采用一种基于混沌麻雀搜索优化模糊pid参数的无人机手势控制系统，包括映射模块，用于设置手势动作指令与无人机控制指令之间的映射关系；
[0055]
最优参数解算模块，用于以映射关系为基础，采用改进的麻雀搜索算法进行模糊pid控制参数自寻优，实现pid控制参数的智能调节，得到手势动作指令至无人机控制指令的最优控制参数；
[0056]
指令识别模块，用于获取手势动作，基于动态手势识别模型对手势动作进行解析得到手势动作指令；所述动态手势识别模型通过利用动态时间规整算法并基于视觉图像进行建立；
[0057]
执行模块，用于根据得到的手势动作指令控制无人机的运动。
[0058]
有益效果：本发明相对于现有技术，其显著优点是基于混沌麻雀搜索优化的模糊pid控制方法能够以更高的稳定性、更好的准确度完成手势指令控制无人机飞行。
附图说明
[0059]
图1为本发明无人机手势控制方法的流程示意图。
具体实施方式
[0060]
如图1所示，本实施例中的一种基于混沌麻雀搜索优化模糊pid参数的无人机手势控制方法，包括以下步骤：
[0061]
步骤1：利用动态时间规整算法并基于视觉图像建立动态手势识别模型。
[0062]
利用动态时间规整算法(dynamictimewrapping，dtw)进行基于视觉图像的动态手势识别模型的建立，使用双目摄像头采集手势数据构建手势数据集，并通过dtw算法完成6种手势(包括向左挥手、向右挥手、向上挥手、向下挥手、顺时针画圈、逆时针画圈)的识别；
[0063]
考虑到不同人群对同一个手势动作的表达情况不同以及不同手势动作间的误识别问题，所设计的手势动作需要满足：
[0064]
1)所定义的手势符合大多数人群的操作习惯，手势动作简单且与对应无人机动作间有一定关联；
[0065]
2)不同手势间有较大区分度，以降低手势识别算法复杂度，提高识别率；
[0066]
3)同一手势动作在不同操作者手下的变化趋势与基本特征几乎一致。
[0067]
根据上述要求，所设计的六种手势动作为：向左挥手、向右挥手、向上挥手、向下挥手、顺时针画圈、逆时针画圈。
[0068]
建立手势识别模型前，首先需要进行手势数据的采集以及预处理，采集手势动作过程中手相对于双目摄像头坐标系的位置信息和速度信息作为观测量并使用python获取手部运动数据。在手势数据采集的开始和结束阶段操作者的手是几乎保持静止的，因此采集的手势数据会包含一些静止状态的数据，将手势运动过程运动速度最大值的5％作为手势分割阈值并将窗口长度设置为5，以将手势分割为运动状态和静止状态。使用savitzky-golay滤波器对运动状态的手势数据进行平滑滤波，进行归一化处理后将其分类存储以建立手势数据集。
[0069]
归一化公式为：
[0070][0071]
其中，max(z)和分别表示该手势序列中的最大值和最小值，zi表示原始数据，di表示归一化后的数据。
[0072]
其次再进行手势特征选取，分析不同个体完成同一手势的数据的相似点以得到该手势的特征。选择食指指尖的位置信息作为手势特征，由于手势动作都在x-y平面内，选择食指指尖的坐标x(t)、y(t)为每个手势创建一个二维的特征向量。
[0073]
然后对手势数据集中的数据进行手势样本聚类，利用手势序列的最大幅值与平均值对六种手势进行主轴分类，只需要对x(t)、y(t)进行方差计算，方差最大的轴保留并取方差最大轴的方差ω与另一轴的方差s进行比较，若s大于40％ω则保留s，否则舍弃s。因此手势动作至少存在一个主轴，最多为双主轴。左挥、右挥手势主轴为x轴，上挥、下挥手势主轴为y轴，顺时针画圈、逆时针画圈为双主轴手势。
[0074]
至此，进行基于动态时间规整算法的手势识别框架搭建。dtw算法主要解决的是两个长度不一的时间序列的对齐。两个时间序列可以通过拉伸和压缩的方式对齐，而dtw算法就是找到一种最优的伸缩方式，将两个时间序列规整到同样的长度。两个时间序列在对齐
之后也就消除了长度不一造成的差异，对求解两个时间序列的相似程度有很大的帮助。dtw是用满足一定条件的时间规整函数w(n)描述测试模板和参考模板的时间对应关系，并求解两模板匹配时累计距离最小所对应的规整函数的算法。
[0075]
对于两个手势数据序列q和c，序列q为参考模板，序列c为测试模板。序列中的每一个点的值为手势序列每一帧的数据，序列q共有n帧，第i帧的数据是qi。为了得到这两个手势序列的匹配程度，我们需要将这两个手势序列进行时间轴上的对齐。
[0076][0077]
为了对齐这两个序列，我们需要构造一个n
×
m的矩阵网格，矩阵元素(i,j)表示qi和cj两个点的欧式距离d(qi,cj)，欧式距离越小则相似度越高。每一个矩阵元素(i,j)表示点qi和cj的对齐。动态规划算法可以归结为寻找一条通过此网格中若干格点的路径，路径通过的格点即为两个序列中进行对齐计算的点。
[0078]
其中：
[0079]
d(qi,cj)＝(q
i-cj)2ꢀꢀꢀꢀ
(3)
[0080]
进行动态规划时，需要保证规划路径以w1＝(1,1)开头且以wk＝(m,n)结尾，且当w
k-1
＝(a
′
,b
′
)时，对于路径的下一个点wk＝(a,b)需要满足：
[0081]
0≤(a-a
′
)≤1,0≤(b-b
′
)≤1
ꢀꢀꢀꢀ
(4)
[0082]
根据以上约束条件，可以找出很多条符合条件的路径，但还要求规划路径上的点两序列间的欧式距离d(qi,cj)最小，也就是要找出最优路径使得代价最小。
[0083]
把这条路径定义为最优规整路径，用w来表示。w的第k个元素定义为wk＝(i,j)k，即定义了序列q和c的映射。
[0084]
w＝{w1,w2,
…
,wk,
…
,wk} max(m,n)≤k≤m+n-1
ꢀꢀꢀꢀ
(5)
[0085]
最优规整路径的距离就是最优规整路径所有节点的距离之和：
[0086][0087]
其中，k用于对不同长度的规整路径做补偿。
[0088]
根根据所构建的三种主轴的手势样本集，每个样本集由不同的操作者采集的n个手势数据组成，因此在将待测手势与手势样本集中的手势进行dtw运算后会得到n个累积欧式距离，用dist表示。对n个disti分组求平均值，其中较小的为待测手势。每个主轴手势样本集中都有两种手势，在存储样本集数据时将前n/2列与后n/2列分别存储两种手势序列，只需将前n/2个dist值与后n/2个dist值分别求平均值，公式如下：
[0089][0090]
其中，d1、d2中较小的所对应的手势类别为待测手势类型。
[0091]
步骤2、根据无人机的控制信号以及手势指令信号的特征，构建从手势集到无人机动作集的映射关系；
[0092]
由于一个手势动作只在整个动作结束后进行识别得到一个手势指令信号，其内容为手势类型和手势幅值大小，而无人机的控制信号在整个飞行过程中一直存在，因此不能
直接将手势指令信号映射为无人机的控制输入。将手势识别得到的手势类型以及手势的幅值映射为无人机运动的飞行方向以及运动的目标点距无人机当前位置的距离。
[0093]
手势指令类型与无人机飞行方向的对应如下：
[0094]
(1)向左挥手对应无人机向左飞行
[0095]
(2)向右挥手对应无人机向右飞行
[0096]
(3)向上挥手对应无人机向上爬升
[0097]
(4)向下挥手对应无人机向下俯冲
[0098]
(5)顺时针画圈对应无人机的向前飞行
[0099]
(6)逆时针画圈对应无人机的向后飞行
[0100]
根据双目摄像头的图像采集范围可以将手势的幅值大小分为三个等级，从而构建手势信息到无人机目标位置的映射：若使用的双目摄像头的横纵向最大采集范围为0～m，将其等比例划分为三个范围，0～m/3为小幅度，m/3～2m/3为中幅度，2m/3～m为大幅度，将幅度大小在小、中、大幅度内的手势幅度分别规范为该幅度范围的平均数m/6、m/2、5m/6。通过比例放大，其对应的最优映射的目标点与无人机当前位置的距离分别为5m/3、5m和25m/3。
[0101]
步骤3、以步骤2所设计的映射为基础，进行手势指令到无人机控制指令的最优参数解算，完成手势指令的目标只需对无人机位置环进行控制。
[0102]
四旋翼无人机位置环的动力学模型为:
[0103][0104]
其中，[x,y,z]
t
为四旋翼无人机在地面坐标系中的为位置，c
(
·
)
和s
(
·
)
分别表示cos和sin函数，分别为滚转角、俯仰角、偏航角，u1为四个螺旋桨产生的总升力，m为无人机的质量。di,i＝1,2,3为模型不确定性与干扰之和。
[0105]
通过经验设置pid参数的初始值，利用改进的麻雀搜索算法进行模糊pid控制器的量化因子ke、k
ec
、比例因子ku的寻优，以解决控制参数不变带来的问题，提高系统的自适应能力。
[0106]
麻雀搜索算法(sparrow search algorithm,ssa)相较于其他优化算法在全局性和收敛性有着明显的优势，调整参数少，全局寻优能力较强，收敛快，已经被较好的应用到无人机路径规划。
[0107]
由于优化目标为ke、k
ec
、ku，根据ke、k
ec
、ku的取值范围构建一个三维的目标搜索空间，设置种群的大小并使用立方混沌映射和反向学习策略的方法产生麻雀的初始位置来初始化麻雀群。
[0108]
立方映射公式如下：
[0109][0110]
初始化种群由c个三维个体组成，首先随机产生一个每维均为-1到1的三维向量y1作为第一个个体，之后使用立方映射公式对y1的每一维进行迭代得到剩余的c-1个个体。之后将立方映射产生的变量值映射到麻雀个体上，映射公式如下：
[0111]
x
ip
＝x
lb
+(x
lb-x
ub
)
×
(yi+1)
×
0.5
ꢀꢀꢀꢀ
(10)
[0112]
其中，x
ip
＝(x
i1
,x
i2
,x
i3
)为第i个麻雀在目标搜索空间的位置，x
lb
、x
ub
为解空间的上、下边界。利用(10)得到的麻雀种群记为h
p
。。
[0113]
使用反向学习策略再次对初始化的种群进行处理得到种群ho，ho中的个体位置为：
[0114][0115]
通过反向学习策略再次获得c个初始化个体，合并种群h
p
和ho，取出适应度最好的c个麻雀个体组成初始化种群，记为h0。ssa算法中有发现者、跟随者和帧察者，分别按照各自的更新规则进行位置更新，采用黄金正弦的方式对位置更新算法进行改进。
[0116]
发现者的位置更新公式为：
[0117][0118]
其中，r1、r2随机取值，且r1∈[0,2π],r2∈[0,π]；b为随机数且b∈[0,1]，d为符合正态分布的随机数，sr为安全阈值，是一个常数，w为元素全为1的向量，为第i个麻雀第t次迭代时的位置，为第t次迭代时的最优位置，ξ1、ξ2为控制更新步长和方向的参数，其公式如下：
[0119][0120]
式中为黄金分割数，即
[0121]
跟随者的位置更新公式为：
[0122][0123]
其中，为第t次迭代时的最差位置，c为种群大小，a为一个各元素随机设为1或者-1的矩阵，且a
+
＝a
t
(aa
t
)-1
。
[0124]
帧察者的位置更新公式为：
[0125][0126]
其中，fi是当前麻雀个体的适应度值，f
best
、f
worst
分别表示当前迭代数下的全局最优适应度和最差适应度值，β服从(0,1)的正态分布，r∈[-1,1]为一个随机数，ε为一个设定
的小量常数。
[0127]
帧察者的数量采用线性递减公式，如下：
[0128][0129]
其中，num为当前侦察者数量，num
ini
为初始侦察者数量，t
max
为最大迭代次数。
[0130]
麻雀群的适应度函数设置为积分性能指标(itae)，itae的值越低，性能越好，其表达式为：
[0131][0132]
初始化种群后，按照麻雀群各自的位置迭代公式更新麻雀群的位置后，计算种群中每个麻雀的适应度大小，即itae值，记为fi。使用优化后的贪婪策略进行位置更新，计算方式如下：
[0133][0134]
其中，fi、f
new
分别为位置更新前后的适应度，为更新够的位置，ξ3为随机数，且ξ3∈[0,1]。
[0135]
当迭代次数达到最大迭代次数或麻雀群迄今为止搜索到的最优位置满足预定的最小适应阈值时停止迭代，输出寻优得到的最优解xg，也就是当前最优的ke、k
ec
、ku。
[0136]
基于改进的麻雀搜索算法寻优的模糊pid控制器采用二维模糊控制器结构，要实现步骤2中所设计映射的控制目标，需要对位置环的3个通道x、y、z设计3个控制器。将手势动作所对应无人机目标点位置与当前位置的误差e和误差变化率ec作为模糊控制器的输入量，经过量化因子ke、k
ec
的模糊化处理，转化为模糊控制器的输入e、ec，模糊控制器的输出u为pid调节器3个参数的修正量δk
p
、δki、δkd，从而实现参数自整定。
[0137]
设置输入变量e、ec的论域为{-3,-2,-1,0,+1,+2,+3}，输出u中的δk
p
的论域为{-0.3,-0.2,-0.1,0,+0.1,+0.2,+0.3}，δki的论域为{-0.03,-0.02,-0.02,0,+0.01,+0.02,+0.03}，δkd的论域为{-3,-2,-1,0,+1,+2,+3}。对应的语言变量均为{nb,nm,ns,zo,ps,pm,pb}。为提高计算速度，隶属度函数选为对称分布的三角函数，由此获得各模糊子集的隶属度，依据各个参数的模糊控制规则来设计模糊规则表。根据修正量得到修正后的pid控制参数：
[0138][0139]
其中，k
′
p
、k
′i、k
′d为修正前的pid参数，k
p
、ki、kd为修正后的pid参数。使用寻优得到的ke、k
ec
、ku与修正后的k
p
、ki、kd设计模糊pid控制器即可实现从手势控制信号到无人机控制信号的最优映射。

技术特征：
1.一种基于混沌麻雀搜索优化模糊pid参数的无人机手势控制方法，其特征在于，包括以下步骤：(1)设置手势动作指令与无人机控制指令之间的映射关系；(2)以步骤(1)中得到的映射关系为基础，采用反向学习策略改进的麻雀搜索算法进行模糊pid控制参数自寻优，实现pid控制参数的智能调节，得到手势动作指令至无人机控制指令的最优控制参数；(3)获取手势动作，基于动态手势识别模型对手势动作进行解析得到手势动作指令；所述动态手势识别模型通过利用动态时间规整算法并基于视觉图像进行建立；(4)根据得到的手势动作指令控制无人机的运动。2.根据权利要求1所述的无人机手势控制方法，其特征在于，所述步骤(1)中将手势动作指令中的手势类型以及手势的幅值映射为无人机运动的飞行方向以及运动的目标点距无人机当前位置的距离；所述手势类型包括：向左挥手、向右挥手、向上挥手、向下挥手、顺时针画圈、逆时针画圈，分别对应无人机飞行方向为：向左飞行、向右飞行、向上爬升、向下俯冲、向前飞行、向后飞行；所述手势的幅值包括三个等级：0～m/3为小幅度、m/3～2m/3为中幅度、2m/3～m为大幅度，其中，0～m为最大采集范围，小、中、大幅度对应的目标点与当前位置的距离分别为5m/3、5m、25m/3。3.根据权利要求2所述的无人机手势控制方法，其特征在于，所述步骤(2)中对无人机位置环的3个通道x、y、z设计3个控制器，设置手势动作所对应的无人机目标位置与当前位置的误差e和误差变化率ec作为模糊控制器的输入量，经过量化因子k
e
、k
ec
的模糊化处理，转化为模糊控制器的输入e、ec，模糊pid控制器的输出u为pid调节器3个参数的修正量δk
p
、δk
i
、δk
d
；根据修正量得到修正后的pid控制参数：其中，k
′
p
、k
i
′
、k
d
′
为修正前的pid控制参数，k
p
、k
i
、k
d
为修正后的pid控制参数。4.根据权利要求3所述的无人机手势控制方法，其特征在于，所述步骤(2)中通过经验设置pid控制参数的初始值，利用改进的麻雀搜索算法issa进行模糊pid控制器的量化因子k
e
、k
ec
、比例因子k
u
的寻优；根据k
e
、k
ec
、k
u
的取值范围构建一个三维的目标搜索空间，并使用立方混沌映射和反向学习策略的方法产生麻雀的初始位置来初始化麻雀种群；初始化麻雀种群，麻雀种群包括c个三维个体，首先随机产生一个每维均为-1到1的三维向量y1作为第一个个体，之后使用立方映射公式对y1的每一维进行迭代得到剩余的c-1个个体；之后将立方映射产生的变量值映射到麻雀个体上，利用立方混沌映射得到的麻雀种群记为h
p
；使用反向学习策略再次对初始化的麻雀种群h
p
进行处理得到麻雀种群h
o
，h
o
中的个体位置为：
其中，x
ip
＝(x
i1
,x
i2
,x
i3
)为第i个麻雀通过立方混沌映射后在目标搜索空间的位置，x
lb
、x
ub
为目标搜索空间的上、下边界；为第i个麻雀通过反向学习策略后在目标搜索空间的位置；通过反向学习策略再次获得c个初始化个体，合并麻雀种群h
p
和h
o
，取出适应度最好的c个麻雀个体组成初始化种群，记为h0；采用黄金正弦的方式对发现者、跟随者和帧察者的位置更新算法进行改进；发现者的位置更新公式为：其中，r1、r2随机取值，且r1∈[0,2π],r2∈[0,π]；b为随机数且b∈[0,1]，d为符合正态分布的随机数，s
r
为安全阈值，是一个常数；w为元素全为1的向量；为第i个麻雀第t次迭代时的位置；为第t次迭代时的最优位置；ξ1、ξ2为控制更新步长和方向的参数；跟随者的位置更新公式为：其中，为第t次迭代时的最差位置，c为种群大小，a为一个各元素随机设为1或者-1的矩阵，且a
+
＝a
t
(aa
t
)-1
；帧察者的位置更新公式为：其中，f
i
为当前麻雀个体的适应度值；f
best
、f
worst
分别表示当前迭代数下的全局最优适应度和最差适应度值；β为服从(0,1)的正态分布的随机数；r∈[-1,1]为一个随机数，ε为一个设定的小量常数；初始化种群后，按照麻雀群各自的位置迭代公式更新麻雀群的位置后，计算种群中每个麻雀的适应度大小，即itae值，记为f
i
；使用优化后的贪婪策略进行位置更新，计算方式如下：其中，f
i
、f
new
分别为位置更新前后的适应度，为更新后的位置，ξ3为随机数，且ξ3∈[0,1]；当迭代次数达到最大迭代次数或麻雀群迄今为止搜索到的最优位置满足预定的最小
适应度阈值时停止迭代，输出寻优得到的最优解。5.根据权利要求4所述的无人机手势控制方法，其特征在于，帧察者的数量采用线性递减公式，如下：其中，num为当前侦察者数量，num
ini
为初始侦察者数量，t为当前迭代次数，t
max
为最大迭代次数。6.根据权利要求2所述的无人机手势控制方法，其特征在于，所述步骤(3)中采用双目摄像头获取手势动作，并采集手势数据构建手势数据集，手势数据包括手相对于双目摄像头坐标系的位置信息和速度信息；将手运动过程中运动速度最大值的5％作为手势分割阈值，以分割手势的运动状态和静止状态，对分割后的手势数据分别进行预处理，将其分类存储以建立手势数据集；以手势数据中的食指指尖位置信息作为手势特征，以食指指尖坐标为每个手势创建一个二维特征向量，得到手势特征序列；利用改进的动态时间规整算法dtw进行基于视觉图像的动态手势识别模型的建立，基于动态手势识别模型解析手势动作具体为：对每种手势类型进行n个样本采集得到每种手势类型的手势样本集，将待测手势动作分别与每种手势类型的手势样本集进行dtw运算，分别得到n个累积欧式距离，对得到的n个累积欧式距离，累积欧式距离平均值较小的对应的手势类型为待测手势动作的手势类型。7.根据权利要求6所述的无人机手势控制方法，其特征在于，所述动态手势识别模型的建立具体为：定义样本手势动作对应的手势特征序列q和待测手势动作对应的手势特征序列c；序列中的每一个点的值为手势特征序列每一帧的数据，手势特征序列q共有n帧，第i帧的数据是q
i
；手势特征序列c共有m帧，第j帧的数据是c
j
；q＝{q1,q2,q3,
…
,q
i
,
…
,q
n
}，c＝{c1,c2,c3,
…
,c
j
,
…
,c
m
}将手势特征序列q和手势特征序列c进行时间轴上的对齐；具体通过构造一个n
×
m的矩阵网格，其中矩阵元素(i,j)表示q
i
和c
j
两个点的欧式距离d(q
i
,c
j
)，寻找一条通过此网格中若干格点的路径，路径通过的格点即为两个序列中进行对齐计算的点，路径w的第k个元素定义为w
k
＝(i,j)
k
，手势特征序列q和手势特征序列c的映射为：w＝{w1,w2,
…
,w
k
,
…
,w
k
}max(m,n)≤k≤m+n-1进行动态规划时，保证规划路径以w1＝(1,1)开头且以w
k
＝(m,n)结尾，当w
k-1
＝(a
′
,b
′
)时，对于路径的下一个点w
k
＝(a,b)需要满足：0≤(a-a
′
)≤1,0≤(b-b
′
)≤1最优规整路径w为所有节点的距离之和最小：其中，k用于对不同长度的规整路径做补偿。8.一种基于混沌麻雀搜索优化模糊pid参数的无人机手势控制系统，其特征在于，包括映射模块，用于设置手势动作指令与无人机控制指令之间的映射关系；
最优参数解算模块，用于以映射关系为基础，采用改进的麻雀搜索算法进行模糊pid控制参数自寻优，实现pid控制参数的智能调节，得到手势动作指令至无人机控制指令的最优控制参数；指令识别模块，用于获取手势动作，基于动态手势识别模型对手势动作进行解析得到手势动作指令；所述动态手势识别模型通过利用动态时间规整算法并基于视觉图像进行建立；执行模块，用于根据得到的手势动作指令控制无人机的运动。9.一种装置设备，其特征在于，包括存储器和处理器，其中：存储器，用于存储能够在处理器上运行的计算机程序；处理器，用于在运行所述计算机程序时，执行如权利要求1-7任一项所述一种基于混沌麻雀搜索优化模糊pid参数的无人机手势控制方法的步骤。10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1-7任一项所述一种基于混沌麻雀搜索优化模糊pid参数的无人机手势控制方法的步骤。

技术总结
本发明公开了一种基于混沌麻雀搜索优化模糊PID参数的无人机手势控制方法，设置手势动作指令与无人机控制指令之间的映射关系；以映射关系为基础，采用改进的麻雀搜索算法进行模糊PID控制参数自寻优，实现PID控制参数的智能调节，得到手势动作指令至无人机控制指令的最优控制参数；获取手势动作，基于动态手势识别模型对手势动作进行解析得到手势动作指令；所述动态手势识别模型通过利用动态时间规整算法并基于视觉图像进行建立；根据得到的手势动作指令控制无人机的运动。基于反向学习策略改进的麻雀搜索优化的模糊PID控制方法能够以更高的稳定性、更好的准确度完成手势指令控制无人机飞行。无人机飞行。无人机飞行。


技术研发人员：陈谋 蒋雨含 邵书义
受保护的技术使用者：南京航空航天大学
技术研发日：2023.04.13
技术公布日：2023/8/1