本發(fā)明涉及無人機領域，具體涉及一種沉浸式無人機駕駛飛行系統。

背景技術：

相關技術中，無人機的操縱仍然主要依靠人眼原地遠距離觀察無人機飛行高度與姿態(tài)，并靠遙控器來控制飛行，由于距離和無人機速度的影響，需要操控者實時操控無人機的飛行狀態(tài)，這樣就無法同時很好地控制無人機云臺拍攝的畫面；并且現有的平面顯示畫面也不能夠達到真實的飛行駕駛時的飛行感受，也容易因個人操作失誤出現墜機、炸機或傷人的事件發(fā)生。

技術實現要素：

針對上述問題，本發(fā)明提供一種沉浸式無人機駕駛飛行系統。

本發(fā)明的目的采用以下技術方案來實現：

一種沉浸式無人機駕駛飛行系統，包括機載裝置、地面信息處理裝置、無人機故障檢測裝置，機載裝置、無人機故障檢測裝置皆與地面信息處理裝置通過無線連接；該機載裝置位于無人機上，控制無人機飛行狀態(tài)及采集無人機的位置信息和周圍環(huán)境的圖像，并將圖像和位置信息給地面信息處理裝置，并接收地面信息處理裝置的頭部角度信息和控制指令；該無人機故障檢測裝置用于對無人機進行故障檢測，并將故障檢測結果發(fā)送至地面信息處理裝置；該地面信息處理裝置接收機載裝置發(fā)送的位置信息和圖像進行分析，通過地面信息處理裝置的計算機增強現實技術處理，將無人機所在位置的周邊環(huán)境信息、道路信息、交通信息、標示信息、地標信息模擬仿真后再疊加到真實世界畫面空間中，通過虛擬現實眼鏡呈現給操控者，并根據故障檢測結果進行相應的報警。

本發(fā)明的有益效果為：實現了無人機駕駛視角的虛擬移植，使我們能更直觀地觀察到無人機的飛行視角，得到沉浸式的飛行體驗，并且能夠對無人機進行故障檢測，從而能在無人機發(fā)生故障時及時采取措施。

附圖說明

利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構成對本發(fā)明的任何限制，對于本領域的普通技術人員，在不付出創(chuàng)造性勞動的前提下，還可以根據以下附圖獲得其它的附圖。

圖1是本發(fā)明的結構連接示意圖；

圖2是無人機故障檢測裝置的結構框圖。

附圖標記：

機載裝置1、地面信息處理裝置2、無人機故障檢測裝置3、歷史數據采集模塊11、數據預處理模塊12、特征提取模塊13、實時故障診斷特征向量采集模塊14、故障診斷模型建立模塊15、故障診斷識別模塊16。

具體實施方式

結合以下實施例對本發(fā)明作進一步描述。

參見圖1，本實施例提供了一種沉浸式無人機駕駛飛行系統，包括機載裝置1、地面信息處理裝置2、無人機故障檢測裝置3，機載裝置1、無人機故障檢測裝置3皆與地面信息處理裝置2通過無線連接；該機載裝置1位于無人機上，控制無人機飛行狀態(tài)及采集無人機的位置信息和周圍環(huán)境的圖像，并將圖像和位置信息給地面信息處理裝置2，并接收地面信息處理裝置2的頭部角度信息和控制指令；該無人機故障檢測裝置3用于對無人機進行故障檢測，并將故障檢測結果發(fā)送至地面信息處理裝置2；該地面信息處理裝置2接收機載裝置1發(fā)送的位置信息和圖像進行分析，通過地面信息處理裝置2的計算機增強現實技術處理，將無人機所在位置的周邊環(huán)境信息、道路信息、交通信息、標示信息、地標信息模擬仿真后再疊加到真實世界畫面空間中，通過虛擬現實眼鏡呈現給操控者，并根據故障檢測結果進行相應的報警。

優(yōu)選地，該機載裝置1包括三軸云臺、雙目攝像頭、GPS。

優(yōu)選地，該地面信息處理裝置2包括虛擬現實眼鏡、計算機和報警器，計算機分別與虛擬現實眼鏡、報警器相連；該計算機用于將采集的無人機飛行高度、姿態(tài)、GPS定位信息進行分析，通過現有的增強現實技術處理，將無人機所在位置的周邊環(huán)境信息模擬仿真后在疊加到真實世界畫面空間中，然后傳輸給虛擬現實眼鏡；該虛擬現實眼鏡用于顯示經過計算機疊加增強現實效果后的圖像信息；該報警器用于在故障檢測結果表示無人機發(fā)送故障時進行報警。

本發(fā)明上述實施例實現了無人機駕駛視角的虛擬移植，使我們能更直觀地觀察到無人機的飛行視角，得到沉浸式的飛行體驗，并且能夠對無人機進行故障檢測，從而能在無人機發(fā)生故障時及時采取措施。

優(yōu)選地，該無人機故障檢測裝置3包括：

(1)歷史數據采集模塊11，用于通過傳感器采集無人機在正常狀態(tài)下及各種故障狀態(tài)下運行時多個測點的歷史振動信號數據；

(2)數據預處理模塊12，用于對采集到的原始歷史振動信號數據進行預處理；

(3)該特征提取模塊13，用于從過濾后的歷史振動信號數據中提取小波包奇異值特征，并將提取的小波包奇異值特征作為故障診斷特征向量樣本；

(4)實時故障診斷特征向量采集模塊14，用于獲取無人機的實時故障診斷特征向量；

(5)故障診斷模型建立模塊15，用于建立基于改進的支持向量機的故障診斷模型，并使用故障診斷特征向量樣本對故障診斷模型進行訓練，計算出故障診斷模型參數的最優(yōu)解，得到訓練完成的故障診斷模型；

(6)故障診斷識別模塊16，用于將該無人機的實時故障診斷特征向量輸入到訓練完成的故障診斷模型中，完成無人機故障的診斷識別。

優(yōu)選地，該數據預處理模塊12利用數字濾波器按照過濾公式對采集到的原始歷史振動信號數據進行預處理，該過濾公式為：

其中，Ω為濾波后得到的歷史振動信號數據，Ω′為采集到的原始歷史振動信號數據，L為測點的個數，Ψ＝1，2，3…L-1；τ為由數字濾波器自身特性決定的常數，θ為所用傳感器的固有采集頻率。

本優(yōu)選實施例利用數字濾波器按照過濾公式對數據進行預處理，能夠自適應不同的振動信號，且能消除原始歷史振動信號數據中的時域波形畸變，從而提高了數據預處理的精度，確保對無人機進行故障識別的準確性。

優(yōu)選地，在提取小波包奇異值特征時，該特征提取模塊13具體執(zhí)行：

(1)設無人機處于狀態(tài)H時從測點M測量到的一個時刻的歷史振動信號為H_M(Ω)，M＝1,…,L，L為測點的個數，對H_M(Ω)進行層離散小波包分解，提取第層中的個分解系數，對所有的分解系數進行重構，以表示第層各節(jié)點的重構信號，構建特征矩陣其中的值根據歷史經驗和實際情況結合確定；

(2)對特征矩陣T[H_M(Ω)]進行奇異值分解，獲得該特征矩陣T[H_M(Ω)]的特征向量,其中W₁,W₂,…,W_v為由特征矩陣T[H_M(Ω)]分解的奇異值，v為由特征矩陣T[H_M(Ω)]分解的奇異值的個數：

(3)定義H_M(Ω)對應的故障診斷特征向量為：

其中，表示特征向量中的最大奇異值，表示特征向量 中的最小奇異值；

(4)對計算得到的故障診斷特征向量進行篩選，排除不合格的故障診斷特征向量，設排除的不合格的故障診斷特征向量的數量為L′，則該無人機處于狀態(tài)H時在該固定時刻的故障診斷特征向量樣本為：

本優(yōu)選實施例提取小波包奇異值特征作為故障診斷特征向量，相比于提取其他特征作為故障診斷特征向量，具有較高的準確率以及較短的計算時間，能夠提高對無人機進行診斷的容錯性，從而有利于實現對無人機故障的精確診斷。

優(yōu)選地，該特征提取模塊13對計算得到的故障診斷特征向量進行篩選時，具體執(zhí)行：

(1)將無人機處于狀態(tài)H時在該時刻的所有計算得到的故障診斷特征向量作為該時刻的特征向量篩選樣本集，計算該特征向量篩選樣本集的標準差σ_H和期望值μ_H；

(2)若計算得到的故障診斷特征向量不滿足則剔除該故障診斷特征向量，其中，為期望值μ_H的最大似然估計，為標準差σ_H的最大似然估計。

本優(yōu)選實施例采用上述方式排除不合格的故障診斷特征向量，客觀科學，提高了對無人機進行故障診斷的精確度。

優(yōu)選地，該特征提取模塊13還將剔除的不合格的故障診斷特征向量儲存到一個臨時數據儲存器中，并對特征提取模塊13中的值進行進一步修正，具體為：若則的值在根據原有歷史經驗和實際情況結合確定的基礎上修改為若則的值在根據原有歷史經驗和實際情況結合確定的基礎上修改為其中，L為測點的個數，L′為不合格的故障診斷特征向量的數量，D為人為設定的整數閥值。

本優(yōu)選實施例進一步降低了不合格的故障診斷特征向量對無人機進行故障診斷的影響。

優(yōu)選地，該基于改進的支持向量機的故障診斷模型建立如下：

(1)采用徑向基函數作為核函數，利用該核函數將該故障診斷特征向量樣本從原空間映射到高維空間；

(2)在高維空間構造最優(yōu)決策函數實現故障診斷特征向量樣本分類，構造最優(yōu)決策函數為：

式中，x為輸入的故障診斷特征向量樣本，ξ(x)為輸入的故障診斷特征向量樣本對應的輸出，J(x)表示徑向基函數，c為權重向量，e為偏差；此外，為引入的優(yōu)化因子，其中L為測點的個數，L′為不合格的故障診斷特征向量的數量；

(3)定義支持向量機的目標函數和支持向量機的約束條件，并求解該支持向量機的目標函數，計算出權重向量和偏差，將計算得到的權重向量和偏差代入最優(yōu)決策函數即為所建立的故障診斷模型；其中支持向量機的目標函數定義為：

支持向量機的約束條件定義為：

y_α≥1-ε_α，ε_α≥0,α＝1,…,M

式中，為支持向量機的目標函數，ψ^*為優(yōu)化后的懲罰因子，ε_α為引入的誤差變量；M為故障診斷特征向量樣本的數量；

另外，x_α為輸入的第α個故障診斷特征向量樣本，y_α為輸入的第α個故障診斷特征向量樣本對應的輸出，c為權重向量，e為偏差。

本優(yōu)選實施例通過引入優(yōu)化因子，減小了不合格的故障診斷特征向量對無人機進行故障診斷的影響，進一步提高了該最優(yōu)決策函數的實際精確度，為故障診斷模型的建立提供良好的函數基礎，從而構建更為精確的故障診斷模型，從而能夠確保對無人機進行故障診斷的準確性。

其中，懲罰因子和該核函數的半徑參數的值按照下述方式進行優(yōu)化：

將所有故障診斷特征向量樣本平均分成互不包含的子集，設定懲罰因子和該核函數的半徑參數的值的取值范圍，對每個粒子的位置向量進行二維編碼，產生初始粒子群；對各粒子對應的參數選定訓練集進行交叉驗證，得到的預測模型分類準確率作為粒子對應的目標函數 值，對粒子群中的粒子進行迭代；用目標函數值評價所有粒子，當某個粒子的當前評價值優(yōu)于其歷史評價值時，將其作為該粒子的最優(yōu)歷史評價，記錄當前粒子最優(yōu)位置向量；尋找全局最優(yōu)解，如果其值優(yōu)于當前歷史最優(yōu)解，則更新，達到設定的終止準則時，則停止搜索，輸出最優(yōu)的懲罰因子和該核函數的半徑參數的值，否則返回去重新搜索。

本優(yōu)選實施例采用上述方式對懲罰因子和該核函數的半徑參數的值進行優(yōu)化，優(yōu)化時間相對較短，優(yōu)化效果好，能夠得到性能較好的支持向量機，進一步提高對無人機進行故障診斷的精度。

根據上述實施例，發(fā)明人進行了一系列測試，以下是進行測試得到的實驗數據：

上述實驗數據表明，本發(fā)明能夠進行良好的飛行視角觀察，獲得沉浸式的飛行體驗，且能精確對無人機進行故障檢測，從而防止事故的發(fā)生，確保無人機發(fā)生故障時能夠得到及時、安全的維修，由此可見，本發(fā)明在無人機飛行視角觀察方面和無人機的故障檢測方面產生了非常顯著的有益效果。

最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實質和范圍。