本發(fā)明涉及一種基于深度學(xué)習(xí)的旋翼無(wú)人機(jī)自動(dòng)巡航方法及其系統(tǒng)，屬于無(wú)人機(jī)自動(dòng)巡航領(lǐng)域。

背景技術(shù)：

無(wú)人機(jī)自動(dòng)巡航，是指在給定目的地的情況下，無(wú)人機(jī)自動(dòng)規(guī)劃路線(xiàn)，自動(dòng)尋找目的地的系統(tǒng)。無(wú)人機(jī)飛行航線(xiàn)的規(guī)劃，通過(guò)基于深度學(xué)習(xí)的視覺(jué)傳感技術(shù)，識(shí)別航行過(guò)程中的長(zhǎng)期不變的物體，經(jīng)過(guò)多次訓(xùn)練，實(shí)現(xiàn)無(wú)人機(jī)的自動(dòng)巡航。

《基于超聲波距離檢測(cè)的無(wú)人機(jī)避障系統(tǒng)及其控制方法》發(fā)明專(zhuān)利是利用超聲波檢測(cè)技術(shù)檢測(cè)無(wú)人機(jī)飛行環(huán)境中的障礙物，配合特定的避障算法達(dá)到避障的目的。這種系統(tǒng)采用的避障方法單一，當(dāng)無(wú)人機(jī)在復(fù)雜且密集的環(huán)境飛行時(shí)，由于超聲波的多次反射，會(huì)導(dǎo)致超聲波信號(hào)的衰弱，使的檢測(cè)不準(zhǔn)確，出現(xiàn)避障失敗的情況。

《一種基于3D攝像頭的無(wú)人機(jī)避障方法及裝置》發(fā)明專(zhuān)利是利用3D攝像頭實(shí)時(shí)采集圖像數(shù)據(jù)，并將數(shù)據(jù)送到視覺(jué)分析模塊進(jìn)行計(jì)算分析，實(shí)現(xiàn)避障的目的，但是這一發(fā)明中無(wú)人機(jī)的飛行航線(xiàn)的規(guī)劃依賴(lài)于外部導(dǎo)航系統(tǒng)，沒(méi)有實(shí)現(xiàn)無(wú)人機(jī)的自動(dòng)巡航功能。

基于深度學(xué)習(xí)的視覺(jué)傳感技術(shù)，就是通過(guò)攝像頭采集視頻圖像，經(jīng)過(guò)深度學(xué)習(xí)算法的處理，對(duì)不同類(lèi)型的圖像分類(lèi)識(shí)別。2006年hinton提出了深度學(xué)習(xí)，深度學(xué)習(xí)就是模擬人的神經(jīng)網(wǎng)絡(luò)，使其具備像人一樣的學(xué)習(xí)能力，目前深度學(xué)習(xí)算法在人臉識(shí)別、語(yǔ)音識(shí)別等領(lǐng)域表現(xiàn)出良好的應(yīng)用效果。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于超聲波與視覺(jué)傳感的旋翼無(wú)人機(jī)自動(dòng)巡航系統(tǒng)，克服了傳統(tǒng)超聲波距離檢測(cè)避障不準(zhǔn)確的弊端，基于深度學(xué)習(xí)的自動(dòng)巡航方法，不僅實(shí)現(xiàn)了對(duì)樓宇等障礙物的避讓?zhuān)€實(shí)現(xiàn)了在訓(xùn)練過(guò)的航線(xiàn)，無(wú)人機(jī)自動(dòng)巡航功能。本發(fā)明基于深度學(xué)習(xí)對(duì)沿線(xiàn)障礙物進(jìn)行規(guī)避，等于給無(wú)人機(jī)增加了眼睛，輔以超聲波測(cè)距方法，對(duì)近距離的障礙物及時(shí)避讓。本發(fā)明主要用于物流系統(tǒng)，在給定無(wú)人機(jī)的飛行目的地的情況下，無(wú)人機(jī)攜帶貨物自主飛行，自動(dòng)巡航。

本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：

一方面，本發(fā)明提供一種基于深度學(xué)習(xí)的旋翼無(wú)人機(jī)自動(dòng)巡航方法，具體步驟如下：

步驟1，根據(jù)采集到的航線(xiàn)上障礙物的圖像，基于深度學(xué)習(xí)法訓(xùn)練障礙物識(shí)別模型；

步驟2，旋翼無(wú)人機(jī)通過(guò)攝像頭獲取實(shí)時(shí)飛行環(huán)境的圖像，作為障礙物識(shí)別模型的輸入，并將識(shí)別結(jié)果傳輸至飛行控制模塊；

步驟3，旋翼無(wú)人機(jī)通過(guò)超聲波距離檢測(cè)模塊檢測(cè)旋翼無(wú)人機(jī)周?chē)欠翊嬖谡系K物以及與障礙物之間的距離，并將檢測(cè)結(jié)果傳輸至飛行控制模塊；

步驟4，飛行控制模塊根據(jù)接收到的識(shí)別結(jié)果和檢測(cè)結(jié)果向旋翼無(wú)人機(jī)發(fā)出避障指令，其中，若障礙物距離旋翼無(wú)人機(jī)的距離小于設(shè)定的距離閾值，則飛行控制模塊根據(jù)檢測(cè)結(jié)果發(fā)出避障指令；若障礙物距離旋翼無(wú)人機(jī)的距離大于或等于設(shè)定的距離閾值，則飛行控制模塊根據(jù)識(shí)別結(jié)果發(fā)出避障指令；從而實(shí)現(xiàn)旋翼無(wú)人機(jī)的自動(dòng)巡航。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟1中根據(jù)采集到的航線(xiàn)上障礙物的圖像，基于深度學(xué)習(xí)法訓(xùn)練障礙物識(shí)別模型，具體為：

1.1，將采集到的航線(xiàn)上的各種障礙物的圖像作為深度學(xué)習(xí)的訓(xùn)練樣本；

1.2，構(gòu)建包含l個(gè)隱層和1個(gè)分類(lèi)器的深度學(xué)習(xí)網(wǎng)絡(luò)，其中，每個(gè)隱層為一個(gè)稀疏自編碼器；

1.3，將訓(xùn)練樣本作為第1個(gè)隱層的輸入進(jìn)行無(wú)監(jiān)督自編碼學(xué)習(xí)，以最小化重現(xiàn)誤差為優(yōu)化目標(biāo)確定第1個(gè)隱層的參數(shù)；

1.4，將第k個(gè)隱層的輸出作為第k+1個(gè)隱層的輸入，重復(fù)進(jìn)行步驟1.3，確定各個(gè)隱層的參數(shù)，其中，k＝1,2,…,l；

1.5，將第l個(gè)隱層的輸出作為分類(lèi)器的輸入，并采用有監(jiān)督學(xué)習(xí)算法調(diào)整分類(lèi)器的參數(shù)，從而得到基于深度學(xué)習(xí)法訓(xùn)練障礙物識(shí)別模型。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟3中超聲波距離檢測(cè)的計(jì)算公式為：

s＝c*t/2

式中，s為旋翼無(wú)人機(jī)與障礙物之間的距離，c為超聲波聲速，t為超聲波從發(fā)射到接收的時(shí)間。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，步驟2中還包括將獲取的實(shí)時(shí)飛行環(huán)境圖像轉(zhuǎn)化為二維圖像后，再作為障礙物識(shí)別模型的輸入。

另一方面，本發(fā)明還提供一種基于深度學(xué)習(xí)的旋翼無(wú)人機(jī)自動(dòng)巡航系統(tǒng)，包括：

圖像采集模塊，用于實(shí)時(shí)采集旋翼無(wú)人機(jī)的飛行環(huán)境圖像，并傳輸至障礙物識(shí)別模塊；

障礙物識(shí)別模塊，用于基于深度學(xué)習(xí)法訓(xùn)練障礙物識(shí)別模型以及利用訓(xùn)練好的障礙物識(shí)別模塊根據(jù)接收到的飛行環(huán)境圖片識(shí)別航線(xiàn)上的障礙物，并將識(shí)別結(jié)果傳輸至飛行控制模塊；

超聲波距離檢測(cè)模塊，用于檢測(cè)旋翼無(wú)人機(jī)周?chē)欠翊嬖谡系K物以及與障礙物之間的距離，并將檢測(cè)結(jié)果傳輸至飛行控制模塊；

飛行控制模塊，用于根據(jù)接收到的識(shí)別結(jié)果和檢測(cè)結(jié)果控制旋翼無(wú)人機(jī)的飛行。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，該系統(tǒng)還包括設(shè)置在旋翼無(wú)人機(jī)上的北斗衛(wèi)星定位模塊。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

(1)本發(fā)明給無(wú)人機(jī)增加了眼睛，能識(shí)別出飛行沿線(xiàn)的樓宇等障礙物；

(2)首次將深度學(xué)習(xí)運(yùn)用于無(wú)人機(jī)自動(dòng)巡航系統(tǒng)，實(shí)現(xiàn)了無(wú)人機(jī)在熟悉環(huán)境下不依賴(lài)外部導(dǎo)航系統(tǒng)自主飛行；

(3)結(jié)合超聲波距離檢測(cè)技術(shù)，實(shí)現(xiàn)對(duì)近距離障礙物的精確避障；

(4)利用北斗衛(wèi)星定位系統(tǒng)獲取無(wú)人機(jī)當(dāng)前位置，方便管理員對(duì)無(wú)人機(jī)的管理；

(5)本系統(tǒng)特別適用于物流系統(tǒng)，可實(shí)現(xiàn)固定點(diǎn)到固定點(diǎn)之間的貨物的運(yùn)輸，大大節(jié)省了人力。

附圖說(shuō)明

圖1為本發(fā)明的系統(tǒng)結(jié)構(gòu)圖。

圖2基于深度學(xué)習(xí)的樓宇障礙物規(guī)避算法結(jié)構(gòu)圖

圖3為本發(fā)明中深度學(xué)習(xí)網(wǎng)絡(luò)輸入樣本集示例圖。

圖4為本發(fā)明中深度學(xué)習(xí)網(wǎng)絡(luò)特征提取模型。

圖5為本發(fā)明中北斗衛(wèi)星定位模型。

具體實(shí)施方式

下面結(jié)合附圖以及具體實(shí)施例對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說(shuō)明：

本發(fā)明設(shè)計(jì)的一種基于深度學(xué)習(xí)的旋翼無(wú)人機(jī)自動(dòng)巡航系統(tǒng)，如圖1所示，包括圖像采集模塊、超聲波距離檢測(cè)模塊、基于深度學(xué)習(xí)的障礙物識(shí)別模塊、飛行控制模塊和基于北斗衛(wèi)星的定位模塊。圖像采集模塊，用于實(shí)時(shí)采集旋翼無(wú)人機(jī)的飛行環(huán)境圖像；超聲波距離檢測(cè)模塊，用于檢測(cè)旋翼無(wú)人機(jī)周?chē)欠翊嬖谡系K物以及與障礙物之間的距離；基于深度學(xué)習(xí)的障礙物識(shí)別模塊，用于完成對(duì)長(zhǎng)期不變的障礙物的識(shí)別；飛行控制模塊實(shí)現(xiàn)對(duì)無(wú)人機(jī)飛行狀態(tài)的控制；基于北斗衛(wèi)星的定位模塊可獲取無(wú)人機(jī)的位置，方便管理員通過(guò)后臺(tái)界面對(duì)無(wú)人機(jī)進(jìn)行管理。

下面介紹基于深度學(xué)習(xí)的障礙物識(shí)別模塊的建立原理：

1.參數(shù)初始化

設(shè)置稀疏權(quán)重α和稀疏參數(shù)β(接近于0)，初始化第一個(gè)自編碼器的權(quán)重矩陣W⁽¹⁾和偏置向量b⁽¹⁾，設(shè)置距離閾值s₀。

2.算法訓(xùn)練

首先訓(xùn)練第一個(gè)自編碼器，輸入經(jīng)編碼器編碼，得到第一個(gè)隱層的輸出，再經(jīng)解碼器解碼得到的輸出與原輸入越接近，表示編碼器的效果越好。將解碼器的輸出與原輸入x的誤差作為重現(xiàn)誤差函數(shù)：

其中，X為輸入矩陣，X＝[x⁽¹⁾,x⁽²⁾,x⁽³⁾,…,x⁽ⁿ⁾]，為輸出矩陣，n為訓(xùn)練樣本集圖片的數(shù)量。

最小化重現(xiàn)誤差函數(shù)，求出自編碼器模型的模型參數(shù)θ：

其中：θ＝{W,b}。

為自編碼器加上稀疏性約束，使其結(jié)構(gòu)特性更接近于人的神經(jīng)網(wǎng)絡(luò)，則帶稀疏性約束的重現(xiàn)誤差函數(shù)為：

其中：m表示隱層單元的個(gè)數(shù)，表示隱含層第j個(gè)單元的平均激活度，是為了實(shí)現(xiàn)稀疏性約束對(duì)重現(xiàn)誤差添加的懲罰因子，懲罰因子表示為：

具有這樣的性質(zhì)：當(dāng)時(shí)，也就是說(shuō)隱含層第j個(gè)單元的平均激活度越接近我們?cè)O(shè)定的β(稀疏參數(shù)，要求達(dá)到的稀疏性)，越小，重現(xiàn)誤差就越小。

最小化帶稀疏性約束的重現(xiàn)誤差函數(shù)SR，求出模型參數(shù)θ：

第一層的參數(shù)θ⁽¹⁾確定后，由輸入經(jīng)第一自編碼器得出編碼結(jié)果，將此結(jié)果作為下一個(gè)自編碼器的輸入，依次迭代，得出第二至第五隱含層的參數(shù)θ⁽²⁾,θ⁽³⁾,θ⁽⁴⁾,θ⁽⁵⁾。至此，各隱含層的參數(shù)確定，整個(gè)網(wǎng)絡(luò)學(xué)會(huì)了如何重現(xiàn)輸入圖像。

最后將最頂層隱含層的輸出與分類(lèi)器的輸入連接，使用有監(jiān)督學(xué)習(xí)算法調(diào)整分類(lèi)器模型的參數(shù)，整個(gè)網(wǎng)絡(luò)就能識(shí)別出不同類(lèi)型的圖片。

3.算法測(cè)試

深度學(xué)習(xí)網(wǎng)絡(luò)經(jīng)訓(xùn)練后，具備了分類(lèi)識(shí)別圖像的能力。將攝像頭獲取的樓宇等視頻圖像，傳輸?shù)交谏疃葘W(xué)習(xí)的障礙物識(shí)別模塊。在該模塊中，首先將圖像轉(zhuǎn)化為二維圖像，再對(duì)圖像數(shù)據(jù)預(yù)處理并輸入到深度學(xué)習(xí)網(wǎng)絡(luò)，網(wǎng)絡(luò)輸出該圖像的類(lèi)別，并傳送到飛行控制模塊。

本發(fā)明還設(shè)計(jì)了一種基于深度學(xué)習(xí)的旋翼無(wú)人機(jī)自動(dòng)巡航方法，如圖2所示具體實(shí)施步驟如下：

1.數(shù)據(jù)預(yù)處理

人工采集各種樓宇的圖片，組成訓(xùn)練樣本集，如圖3所示。其中，還包括對(duì)采集樓宇圖片進(jìn)行預(yù)處理，一般多幅圖像構(gòu)成一個(gè)三維矩陣，本發(fā)明中的深度學(xué)習(xí)網(wǎng)絡(luò)僅支持二維矩陣的輸入，因此需將數(shù)據(jù)降維。將一幅圖像按照掃描順序轉(zhuǎn)化為列向量x⁽ⁱ⁾，i＝1,2,…,n，n幅圖像構(gòu)成一個(gè)輸入矩陣X＝[x⁽¹⁾,x⁽²⁾,x⁽³⁾,…,x⁽ⁿ⁾]^T作為訓(xùn)練網(wǎng)絡(luò)的樣本輸入數(shù)據(jù)。并將輸入數(shù)據(jù)人工添加標(biāo)簽Y＝[y⁽¹⁾,y⁽²⁾,y⁽³⁾,…,y⁽ⁿ⁾]，即對(duì)輸入數(shù)據(jù)人工分類(lèi)，同一類(lèi)型的圖像標(biāo)簽相同，比如：將所有樓宇圖片標(biāo)為1，所有電線(xiàn)桿標(biāo)為2，所有塔標(biāo)為3。

2.參數(shù)初始化

本發(fā)明中，需要初始化的參數(shù)有稀疏權(quán)重α、稀疏參數(shù)β和距離閾值s₀。權(quán)重矩陣W和偏置向量b在深度學(xué)習(xí)訓(xùn)練過(guò)程中被初始化。權(quán)重矩陣W表示可視層單元與隱含層單元之間的權(quán)重參數(shù)，偏置向量b表示隱含層輸入的偏置量，權(quán)重矩陣W和偏置向量b是深度學(xué)習(xí)網(wǎng)絡(luò)兩個(gè)非常重要的參數(shù)，決定了網(wǎng)絡(luò)的識(shí)別能力。稀疏權(quán)重α表示稀疏性約束占重現(xiàn)誤差的比重，稀疏參數(shù)β表示稀疏性約束的程度，當(dāng)激活函數(shù)為sigmoid函數(shù)時(shí)，β越接近0，其約束性越好。

3.算法訓(xùn)練

本發(fā)明中編碼器與解碼器為sigmoid函數(shù)：f(x)＝g(x)＝1/1+exp(-x)，其中x為編碼器和解碼器的輸入，f(x)表示編碼器輸出，g(x)表示解碼器輸出。

首先訓(xùn)練第一隱含層，也即訓(xùn)練第一個(gè)稀疏自編碼器。輸入矩陣X＝[x⁽¹⁾,x⁽²⁾,…,x⁽ⁿ⁾]^T，帶上第一隱含層的權(quán)重矩陣W⁽¹⁾與偏置向量b⁽¹⁾，可得到編碼器的輸入為W⁽¹⁾X+b⁽¹⁾，編碼器的輸出為：

Y(X)＝f(W⁽¹⁾X+b⁽¹⁾)＝1/1+exp(-W⁽¹⁾X-b⁽¹⁾)

解碼器的輸出為：

$Z\left(X\right)=g\left(Y\right(X\left)\right)=1/1+\exp (-\frac{1}{1+\exp (-W^{\left(1\right)}X-b^{\left(1\right)})})$

重現(xiàn)誤差為：

最小化重現(xiàn)誤差分兩步進(jìn)行：

(1)固定偏置向量b¹，調(diào)整權(quán)重矩陣W⁽¹⁾，使重現(xiàn)誤差SR最小。

(2)固定權(quán)重矩陣W⁽¹⁾，調(diào)整偏置向量b⁽¹⁾，使重現(xiàn)誤差SR最小。

不斷迭代，調(diào)整參數(shù)，直至重現(xiàn)誤差收斂至最小。至此，第一個(gè)自編碼器的模型參數(shù)被確定，即第一隱含層的模型參數(shù)被初始化。

重復(fù)上述方法，將第k隱含層的輸出X^(k)作為第k+1層隱含層的輸入，最小化重現(xiàn)誤差SR：

通過(guò)調(diào)整參數(shù)W^(k+1),b^(k+1)，使得重現(xiàn)誤差最小，實(shí)現(xiàn)隱含層對(duì)圖像特征的最佳提取，其中，W^(k+1)為第k+1層隱含層的權(quán)重矩陣，b^(k+1)為第k+1層隱含層的偏置向量。

如圖4所示，不斷調(diào)整參數(shù)的過(guò)程就是隱含層不斷提取圖像特征的過(guò)程，第k隱含層提取的特征包含第k-1隱含層提取的特征，最高隱含層能夠提取出圖像的所有特征。

將所有隱含層的參數(shù)初始化后，整個(gè)網(wǎng)絡(luò)便學(xué)會(huì)了如何重現(xiàn)圖像。此時(shí)網(wǎng)絡(luò)還不具備識(shí)別能力，將最后的隱含層輸出與分類(lèi)器的輸入連接，并采用有監(jiān)督學(xué)習(xí)算法對(duì)分類(lèi)器的模型參數(shù)進(jìn)行調(diào)整。將深度學(xué)習(xí)網(wǎng)絡(luò)中分類(lèi)器以下的隱含層看做一個(gè)輸入層，分類(lèi)器作為隱含層，利用有監(jiān)督學(xué)習(xí)算法對(duì)分類(lèi)器進(jìn)行訓(xùn)練。

有監(jiān)督學(xué)習(xí)算法對(duì)分類(lèi)器的訓(xùn)練過(guò)程如下：

(1)輸入：訓(xùn)練樣本集X＝[x⁽¹⁾,x⁽²⁾,x⁽³⁾,…,x⁽ⁿ⁾]，標(biāo)簽數(shù)據(jù)集

Y＝[y⁽¹⁾,y⁽²⁾,y⁽³⁾,…,y⁽ⁿ⁾]。

(2)初始化：輸入層到分類(lèi)器的權(quán)重矩陣w和偏置向量a，激勵(lì)函數(shù)為f(x)為sigmoid函數(shù)：f(x)＝1/1+exp(-x)。

(3)調(diào)5個(gè)隱含層的參數(shù)W和b，使得第5隱含層的輸出與輸入相同，確定每個(gè)隱含層的參數(shù)。

(4)分類(lèi)器的輸出：

(5)誤差函數(shù)：將分類(lèi)器的輸出與標(biāo)簽數(shù)據(jù)Y比較，得到誤差函數(shù)：

(6)確定參數(shù)w和a：不斷調(diào)整調(diào)整權(quán)重矩陣w和偏置向量a的值，使得R′最小，最終確定w和a的值。

經(jīng)過(guò)上述6個(gè)步驟，完成對(duì)分類(lèi)器參數(shù)的初始化，至此，整個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)便具備了障礙物識(shí)別能力。

基于深度學(xué)習(xí)的障礙物識(shí)別算法步驟如表1所示：

表1基于深度學(xué)習(xí)的障礙物識(shí)別算法步驟

4.算法測(cè)試

攝像頭采集的圖像自動(dòng)輸入基于深度學(xué)習(xí)的障礙物識(shí)別模塊，首先將圖像轉(zhuǎn)化為二維圖像，并按掃描方式轉(zhuǎn)化為列向后量輸入到基于深度學(xué)習(xí)的障礙物識(shí)別模塊進(jìn)行自動(dòng)識(shí)別，基于深度學(xué)習(xí)的障礙物識(shí)別模塊輸出識(shí)別結(jié)果，發(fā)送給飛行控制模塊。

在基于深度學(xué)習(xí)的障礙物識(shí)別模塊的基礎(chǔ)上，本發(fā)明還引入了基于超聲波的避障算法。無(wú)人機(jī)巡航系統(tǒng)在經(jīng)過(guò)深度學(xué)習(xí)算法的訓(xùn)練后可以在訓(xùn)練過(guò)的航線(xiàn)上避開(kāi)障礙物，自主飛行，但是，對(duì)于隨機(jī)出現(xiàn)的障礙物，比如飛鳥(niǎo)，僅經(jīng)過(guò)深度學(xué)習(xí)算法訓(xùn)練后的系統(tǒng)無(wú)法避開(kāi)障礙物，在這種情況下，基于超聲波的避障算法就可以很好的解決這一問(wèn)題。

對(duì)于隨機(jī)出現(xiàn)的障礙物，運(yùn)用超聲波檢測(cè)技術(shù)并配合一定的避障算法，可以使得無(wú)人機(jī)不會(huì)碰撞到任何物體。超聲波檢測(cè)技術(shù)，就是由超聲波發(fā)射裝置發(fā)射超聲波并沿直線(xiàn)方向在空中四散傳播，遇到障礙物發(fā)生反射。接收裝置在收到由發(fā)生裝置傳來(lái)的超聲波后，計(jì)算出超聲波在空中的傳播時(shí)間t，用距離公式s＝c*t/2，求出障礙物到無(wú)人機(jī)的距離s，并將距離發(fā)送給飛行控制模塊，當(dāng)s＜s₀時(shí)，即超聲波檢測(cè)到的障礙物到無(wú)人機(jī)的距離小于設(shè)定的距離閾值時(shí)，飛行控制模塊要發(fā)出避障指令，否則飛行控制模塊根據(jù)深度學(xué)習(xí)識(shí)別結(jié)果做出飛行控制指令。

另外，如圖5所示，在無(wú)人機(jī)上安裝北斗衛(wèi)星信號(hào)接收模塊，該模塊接受四個(gè)北斗衛(wèi)星發(fā)送的信號(hào)x_i,y_i,z_i,v_ti,(i＝1,2,3,4)。其中x_i,y_i,z_i為第i個(gè)衛(wèi)星的坐標(biāo)，v_ti為第i個(gè)衛(wèi)星的種差。設(shè)x,y,z為無(wú)人機(jī)所處的位置，v_t0為無(wú)人機(jī)上衛(wèi)星信號(hào)接收機(jī)的鐘差，解以下方程組：

$\sqrt{{(x_1-x)}^2+{(y_1-y)}^2+{(z_1-z)}^2}+c(v_{t0}-v_{t1})=d_1$

$\sqrt{{(x_2-x)}^2+{(y_2-y)}^2+{(z_2-z)}^2}+c(v_{t0}-v_{t2})=d_2$

$\sqrt{{(x_3-x)}^2+{(y_3-y)}^2+{(z_3-z)}^2}+c(v_{t0}-v_{t3})=d_3$

$\sqrt{{(x_4-x)}^2+{(y_4-y)}^2+{(z_4-z)}^2}+c(v_{t0}-v_{t4})=d_4$

其中，d_i為第i個(gè)衛(wèi)星與無(wú)人機(jī)之間的距離。

求解上述方程即可計(jì)算出無(wú)人機(jī)當(dāng)前所在位置(x,y,z)，即實(shí)現(xiàn)了無(wú)人機(jī)的定位。將定位信號(hào)發(fā)送給服務(wù)器端，管理員通過(guò)服務(wù)器端界面實(shí)時(shí)查看無(wú)人機(jī)的位置并對(duì)無(wú)人機(jī)進(jìn)行管理。

以上所述，僅為本發(fā)明中的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書(shū)的保護(hù)范圍為準(zhǔn)。