基于深度学习的四轴无人机飞行姿态估计方法

为解决传统无人机姿态估计过程中出现的精度低、实时性差、容易被干扰、模型复杂、计算量大、处理时间长等问题,研究基于深度学习的四轴无人机飞行姿态估计方法.结合多传感器数据融合技术,使用MARG传感器和光流传感器采集无人机飞行姿态数据,经小波阈值去噪算法和最大—最小标准化算法对采集到的数据进行去噪及归一化预处理后,基于GRU神经网络构建一个新的姿态估计模型.将预处理后传感器的数据输入模型中进行融合,通过模型训练输出重力矢量和地磁矢量,经无人机姿态角转换获取无人机飞行姿态.实验结果表明:基于深度学习的四轴无人机飞行姿态估算结果与实际值接近,且误差小、速度快,同时利用GRU神经网络可以融合多种传感器的数据,无需建立复杂的数学模型,即可实现无人机飞行姿态的高精度测量.

基于改进自适应UKF算法的飞行器姿态确定

针对飞行器姿态估计系统问题,UKF存在抗干扰能力差的缺陷,提出一种改进的自适应UKF。该算法通过引入自适应因子来调整状态增益矩阵,可以较好地克服干扰。实验仿真结果表明了本文提出的算法的有效性。

噪声相关情况下的强跟踪滤波器在飞行器姿态确定中的应用

针对飞行器姿态估计系统问题,标准EKF存在不能克服测量噪声和过程噪声相关和抗干扰能力差的缺陷。为此,提出了一种噪声相关的强跟踪滤波器算法,该算法通过引入噪声相关矩阵和自适应因子来调整状态协方差矩阵和增益矩阵,可以较好地克服干扰和噪声相关的情况。通过实验仿真结果表明算法的有效性。

基于视觉Transformer飞行员姿态估计

人体姿态估计是行为感知领域中的一个重要环节,也是民用飞机驾驶舱智能交互方式的一项关键技术。为建立民用飞机驾驶舱复杂光照环境与飞行员姿态估计模型性能的可解释联系,提出基于视觉Transformer飞行员姿态(ViTPPose)估计模型,该模型在卷积神经网络(CNN)主干网络末端使用包含多层编码层的双支路Transformer模块,编码层联合Transformer和空洞卷积,在增大感受野的同时捕捉后期高阶特征的全局相关性。基于飞行机组标准操作程序,建立飞行模拟场景下的飞行员操纵行为关键点检测数据集,ViTPPose估计模型在此数据集上完成飞行员坐姿估计,并通过与基准模型对比,验证了其有效性。在驾驶舱复杂光照的背景下,构建坐姿估计热图,分析ViTPPose估计模型对光照强度的偏好,测试其在不同光照等级下的性能,揭示其对不同光照强度的依赖关系。