[发明专利]一种基于深度学习的无人机自主飞行控制方法与系统

权利要求书

1.一种基于深度学习的无人机自主飞行控制系统，其特征在于，其为分布式系统，包括以下单元：

数据采集单元，为专用机载下位机，用于采集无人机飞行状态参数信息、机载设备与传感器运行状态信息及其数据；

深度学习运算单元，为嵌入式高性能机载嵌入式运算平台，用于执行神经网络目标检测与朝向估计计算，其输出作为控制算法的输入，结合控制算法实施飞行控制；

飞行控制单元，为机载飞行控制器，用于运行控制算法以控制无人机飞行姿态，包括前向速度、横向速度、纵向速度、偏航角速度、横滚和俯仰。

2.一种根据权利要求1所述的基于深度学习的无人机自主飞行控制方法，其特征在于，包括以下步骤：

目标检测步骤，通过基于深度学习的人工神经网络实现对跟飞目标的检测，取得目标在图像中对应的感兴趣区域ROI；

目标朝向估计步骤，利用目标检测步骤的结果，将识别到的目标作为输入数据，通过基于深度学习的人工神经网络实现对目标相对无人机朝向的估计；

自主飞行控制步骤，基于目标检测与朝向估计步骤的结果，结合构建用于跟踪目标的控制算法，实施飞行控制。

3.根据权利要求2所述的无人机自主飞行控制方法，其特征在于，所述目标检测的步骤具体如下：

预先采集待跟踪目标各角度图像，作为训练数据集，利用随机梯度下降算法迭代求解进行深度学习，构建目标检测神经网络；

根据目标先验位置信息设定坐标控制无人机飞行至目标邻域，通过数据采集单元采集机载摄像头图像，作为输入传输至深度学习运算单元，进行目标检测，获取待跟踪目标在当前帧中的ROI。

4.根据权利要求2所述的无人机自主飞机控制方法，其特征在于，所述的目标朝向估计的步骤具体如下：

预先采集待跟踪目标各角度图像，进行朝向标定后，作为训练数据集，利用随机梯度下降算法迭代求解进行深度学习，构建目标朝向估计神经网络，该网络包括多层卷积层、全连接层和输出层，结合激活层以提升非线性拟合，并采用池化层实现特征图的降维和防止模型过拟合；

以目标检测步骤获得的结果作为神经网络的输入，进行目标朝向估计，得到目标相对于无人机当前的朝向类别。

5.根据权利要求1所述的无人机自主飞行控制方法，其特征在于，所述的自主飞行控制

的步骤具体如下：

根据数据采集单元获取的无人机当前姿态信息以及相机当前姿态信息，结合目标检测步骤获得的目标位置信息与尺度信息，估计目标至无人机的角度与距离；结合目标朝向估计步骤获得的目标朝向信息，估计目标正面与无人机正面形成的劣弧及其夹角以确定绕飞方向。

6.当目标距离无人机较远，实施接近控制策略，分别采用控制算法控制无人机机身坐标下前向速度与偏航角速度，使无人机以正对姿态接近目标；

当目标距离无人机较近，实施绕飞控制策略，分别采用控制算法控制无人机机身坐标下前向速度、偏航角速度以及横向速度，使无人机绕飞至目标正面。

7.根据权利要求3或4所述的无人机自主飞行控制方法，其特征在于，所述跟踪目标各角度图像包括地面多监控摄像头跟踪图像。

8.根据权利要求3所述的无人机自主飞机控制方法，其特征在于，所述目标先验位置信息包括地面多监控摄像头跟踪信息。