[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114942688A - 一种基于边云协同的无人机监控模块数据自适应上传方法 - Google Patents

一种基于边云协同的无人机监控模块数据自适应上传方法 Download PDF

Info

Publication number
CN114942688A
CN114942688A CN202210588899.8A CN202210588899A CN114942688A CN 114942688 A CN114942688 A CN 114942688A CN 202210588899 A CN202210588899 A CN 202210588899A CN 114942688 A CN114942688 A CN 114942688A
Authority
CN
China
Prior art keywords
data
unmanned aerial
value
aerial vehicle
monitoring module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210588899.8A
Other languages
English (en)
Other versions
CN114942688B (zh
Inventor
李芹
王利军
韩超
焦庆春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd
Original Assignee
Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd filed Critical Zhejiang Institute of Mechanical and Electrical Engineering Co Ltd
Priority to CN202210588899.8A priority Critical patent/CN114942688B/zh
Publication of CN114942688A publication Critical patent/CN114942688A/zh
Application granted granted Critical
Publication of CN114942688B publication Critical patent/CN114942688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/329—Power saving characterised by the action undertaken by task scheduling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于边云协同的无人机监控模块数据自适应上传方法，该方法主要由监控模块端数据上传周期自适应调整流程(简称“模块流程”)与云平台端数据上传周期自适应调整流程(简称“云端流程”)两部分组成；其中模块流程包括周期性检测无人机状态数据并保存、空间位置预测值与实测值误差计算、判断是否需要调整上传周期并完成数据上传、回传历史数据中断操作四个步骤，云端流程包括无人机数据接收并存储、空间位置预测值与实测值误差计算、审核监控模块对上传周期的调整是否合理三个步骤。本发明既有效降低了无人机监控模块的功耗，又确保无人机飞行轨迹的重要数据不会遗漏漏传，具有很好的推广性。

Description

一种基于边云协同的无人机监控模块数据自适应上传方法
技术领域
本发明涉及一种无人机监控模块数据上传方法，具体地说是涉及一种基于 边云协同的无人机监控模块数据自适应上传方法。
背景技术
近几年民用无人机市场井喷式的发展，全球各地域的低空空域都竞相出现 了各类无人机应用的场景，如航空摄影、地形勘察、事件响应等。我国大疆、 零度、Lily、Zano以及美图“手机航拍神器”等各民用无人机厂商产品不断投 放市场，大量“低、慢、小”的无人机在城市上空涌现。
然而，民用无人机的大量出现同时带来了诸多安全隐患，如侵犯他人隐私、 操作失控摔机、撞击建筑物、对正常空中飞行器造成干扰等。现阶段低空民用 无人机的管制已经成为我国安防中的重要项目，相关无人机管控的法律法规相 继出台，例如民航局发布的《民用无人驾驶航空器经营性飞行活动管理办法 (暂行)》等等。
监控模块是无人机管制的重要工具。监控模块加装在无人机上，可测量并 向管控云平台发送该无人机的经度、纬度、高度、速度、航向角等信息。无人 机拥有者按规定程序经向管控部门申请后，可得到一个监控模块，与无人机绑 定后，即可进入管控云平台的白名单，在规定时间、规定地域、规定高度内， 该无人机可畅通飞行。
无人机监控模块使用电池进行供电，且要求电池容量可支撑正常工作40分 钟以上。降低监控模块的工作功耗具有非常积极的意义：工作功耗越低，保证 工作40分钟所需的电池容量就越小，从而电池体积与重量就越小，对无人机的 负载量就越小。
无人机监控模块的功耗主要包括4G通讯和参数检测两部分，且4G通讯通 常占功耗的70％以上，是电池耗电的主要因素。现市面上常见的无人机监控模 块，往往采用1秒钟向管控云平台发送一次数据的通讯方式，虽然能够确保无 人机的所有参数都被监测到，但对电池耗电的影响同样突出。在其他领域常用 的低功耗工作模式，即降低数据发送的频次，且采用“进入休眠-发送数据-进 入休眠”的方式，虽可大幅度降低电池耗电，但该方法应用于无人机监控模块 时，却有可能存在无人机位姿监测不及时的问题，尤其是无人机飞入城市禁飞 区后，可能导致未能第一时间探知。
发明内容
为了克服现有技术存在的不足，本发明提供了一种基于边云协同的无人机 监控模块数据自适应上传方法。既保证无人机的重要位姿参数能实时上传至管 控云平台，又能有效降低无人机监控模块的工作功耗。
为了达到上述目的，本发明采用的技术方案为：
一种基于边云协同的无人机监控模块数据自适应上传方法，所述方法包括 模块流程、云端流程以及两者之间的数据交互；所述模块流程为监控模块端数 据上传周期自适应调整流程，云端流程为云平台端数据上传周期自适应调整流 程；模块流程向云端流程上传无人机状态数据、云端流程向模块流程下发上传 周期调整命令；
模块流程的处理步骤包括：
(1)周期性检测无人机状态数据并保存；
(2)空间位置预测值与实测值误差计算；
(3)判断是否需要调整上传周期并完成数据上传；
(4)回传历史数据中断操作；
云端流程的处理步骤包括：
(1)无人机数据接收并存储；
(2)空间位置预测值与实测值误差计算；
(3)审核监控模块对上传周期的调整是否合理。
作为优选，模块流程的处理步骤(1)具体为：
监控模块内的单片机以固定频率采集GPS模块、气压模块，检测到的包括 无人机经度、纬度、高度在内的实时参数，并同时读取时钟芯片或定时器之内 的当时时间值，最终存储在监控模块内部的存储模块；
采集无人机飞行状态信息时，通过GPS定位器采集无人机经度、纬度和高 度数据；另外，再通过三类传感器做辅助性测量，包括通过水平传感器采集无 人机头方向和无人机头到地面的垂直距离，通过俯仰传感器采集无人机相对于 惯性坐标系XOY平面的夹角数据，通过地磁感应器采集无人机x、y、z三轴方 位数据。
作为优选，模块流程的处理步骤(2)具体为：
取离当前时刻最近的前三次上传的经度、纬度、高度数据以及每次上传的 时间值，计算得到无人机空间位置的预测值，然后计算当前空间位置实测值与 预测值之间的误差，为后续步骤提供是否需要调整上传周期的依据；
假设距离当前时刻最近的前面第三次向云平台上传数据的时间点为时间零 点，并假设当时的空间坐标值为(X0,Y0,Z0)，那么前面第二次、前面第一次 的空间坐标分别为(Xt1,Yt1,Zt1)、(Xt2,Yt2,Zt2)，其中t1、t2分别为前面第 二次、前面第一次与前面第三次之间的时间差值，且该时间差值为通过单片机 内时间芯片或定时器计算而来；然后假设当前空间位置的实测值坐标为(Xt3, Yt3,Zt3)，同样t3表示当前时刻与前面第三次之间的时间差值；
由于监控模块内单片机的计算性能较弱，因此采用二次多项式且经度纬度 高度分别预测的形式，使用前三次空间坐标值预测当前空间坐标值(X’t3,Y’t3, Z’t3)，如下列公式所示：
X＝X0+AX*t+BX*t2
Y＝Y0+AY*t+BY*t2
Z＝Z0+AZ*t+BZ*t2
上式中，AX和BX是针对经度预测所需要求解的二次多项式系数，利用上 文所述的(Xt1,t1)、(Xt2,t2)两组数据，单片机能快速地计算得到AX和BX两个系数，进而将t3值带入公式，即可得到预测的经度值X’t3；同样的，上式 中针对纬度预测的二次多项式系数AY和BY，和针对高度预测的二次多项式系 数AZ和BZ，也能同理求解得到，并最终计算得到纬度预测值Y’t3和高度预测 值Z’t3；
然后，按照下列公式计算当前空间坐标实测值与预测值之间的空间距离差：
Figure BDA0003664297960000031
其中，△s表示当前空间坐标实测值与预测值之间的空间距离差。
作为优选，模块流程的处理步骤(3)具体为：
判断是否需要调整上传周期时，使用步骤(2)中计算的当前空间坐标实测 值与预测值之间的△s值，按照如下规则调整数据上传周期：
若△s小于3米，则上传周期加1秒；
若△s在3米到10米之间，则上传周期保持不变；
若△s在10米到20米之间，则上传周期减1秒；
若△s大于20米，则将上传周期重置至每秒1次；
上传周期调整完毕以后，将当前时刻的空间位置坐标实测值和调整后的最 新上传周期发送给云平台，上传的数据帧格式如下：
[上传时刻，经度，纬度，高度，最新的数据上传周期]。
作为优选，模块流程的处理步骤(4)具体为：
该步骤为监控模块单片机中断流程，即单片机平时运行过程中，该步骤不 会被执行；但当云平台下发相关命令时，前三步骤，无论是否已经执行完，都 必须立刻停止，转而执行步骤(4)，执行完以后再继续原步骤任务；当接受到 历史数据回传命令时，单片机调取并上传当前时刻至上一上传时刻之间存储在 单片机内部的所有无人机状态参数，作为云平台重新计算上传周期的输入参数 的其中一部分。
作为优选，云端流程的处理步骤(1)具体为：
云平台系统需同时对应多架无人机，因此云平台系统将为每架无人机创建 一专用线程，用以接受该无人机的上传数据。
作为优选，云端流程的处理步骤(2)具体为：
该步骤也是对无人机监控模块步骤二和步骤三的审核监督，因为监控模块 内单片机计算资源非常有限，仅靠三组经纬度数据预测出来的无人机航向轨迹， 很有可能会产生偏差。云平台的计算资源强大，不仅可以取多组历史经纬度数 据进行预测，还可将无人机飞手的飞行习惯因素也考虑在内。
云平台使用LSTM算法(长短期记忆人工神经网络)对无人机轨迹进行预 测；LSTM模型的训练数据为存在云平台的数量众多的不同无人机、以及不同 时间的历史飞行轨迹；LSTM模型训练完成之后，输入参数为当前无人机当前 飞行轨迹下上传的部分历史空间位置坐标值，输出参数为该无人机当前空间位 置的预测值；LSTM预测的具体过程如下：
训练数据集为历史各条飞行轨迹H＝(h1，h2，...，hI)，
Figure BDA0003664297960000041
hi表示第i条完整的无人机轨迹 的位置信息序列，I为总的轨迹序列条数，m为该条轨迹序列中的第m个航迹点； t，X，Y，Z分别是无人机在t时刻的4项特征：时间戳、经度、纬度、高度；
然后，把上述数据集进行归一化处理，以降低量纲和取值范围对网络性能 的影响；本发明采用Min-Max方法进行归一化，如下公式所示：
Figure BDA0003664297960000051
上式中，hmax是该条轨迹历史数据集中的最大值，hmin是该条轨迹历史数 据集中的最小值，h′为该条轨迹归一化之后的数据；
再然后，对归一化以后的数据集
Figure BDA0003664297960000052
Figure BDA0003664297960000053
进行分割处理，设置一个长度为L的滑动窗，对数据集进行使用滑动 窗截取数据，并对截取后的数据进行下标重排，因此截取后的数据集形式为：
Figure BDA0003664297960000054
上述截取出来的数据中，将前面m-1个数据，即
Figure BDA0003664297960000055
Figure BDA0003664297960000056
作为LSTM训练输入数据，将最后一个数据， 即
Figure BDA0003664297960000057
记为fm并作为训练标签值，由此形成的一条 完整的LSTM训练数据；
LSTM模型内的初始网络参数(包括各层之间的连接权值)均为随机给出， 然后LSTM模型按照如下过程进行训练：首先前向计算每个神经元的输出值， 然后反向计算每个神经元的误差值，最后根据相应的误差项，计算每个权重的 梯度，更新权重和偏置参数，目标是代价函数最小，如下式所示：
Figure BDA0003664297960000058
上式中，fm为训练标签值也就是实际测得的空间位置坐标值，f’m为LSTM 预测值，F为代价函数，当代价函数F值取得最小时，此时LSTM模型即训练 完毕；需要说明的是，LSTM模型的训练频次很低(例如每月训练一次)，只 有当云平台新增加了很多无人机新轨迹以后，才会重新训练LSTM模型。
训练完成之后，如果要对当前时刻t无人机的当前空间位置坐标值 (t，Xt，Yt，Zt)进行预测，使用已经训练好的LSTM模型，将所需预测的无人机， 其前面上传的L-1个空间位置坐标值数据作为输入，然后运算LSTM得到当前 空间位置的预测值；
最后，将LSTM计算得到的空间位置预测值，与监控模块上传的空间位置 实际值，按照下式计算两者之间的空间距离差值：
Figure BDA0003664297960000059
其中，△s’表示空间位置预测值与监控模块上传的空间位置实际值之间的空 间距离差值。
作为优选，云端流程的处理步骤(3)具体为：
云平台对上传周期的调整审核，遵守与监控模块同样的规则，云平台根据 所存的上传周期，以及接收到的最新上传周期，比较两者，看两者之间的调整 是否符合规则，如若符合则不做任何响应，如若不符合，则将云平台所计算得 到的最新上传周期下发给监控模块；当云平台与监控模块两者计算出来的上传 周期不一致时，以云平台的计算结果为准，监控模块将无条件接受；
当监控模块计算得到的△s值小于20米，而云平台计算得到的△s’值大于20 米时，通过云平台下发命令，监控模块不仅会将上传周期重置至每秒1次，而 且还需执行数据回传操作，即回传当前时刻至上一上传时刻之间存储在单片机 内部的所有无人机状态参数。
作为优选，所述调整规则，是基于民用GPS在运动状态下的测量精度而制 定的。
本发明的有益效果在于：
1.本发明提出的方法，只需修改监控模块单片机程序的一小部分即可，无 需改变监控模块的任何硬件，这使得本发明方法不仅可应用于新生产的监控模 块，还可用于管控部门已经发放出去的大量的现存监控模块，因而本发明方法 具有很好的推广性；
2.本发明提出的方法，通过边云协同，即监控模块单片机(为边缘端)和 管控云平台(为云端)之间的数据交互式协同合作，将计算任务合理地分配至 边缘端和云端，充分利用云边两端的计算资源，实现本发明降低功耗和不丢失 数据的双重目标。
附图说明
图1是本发明方法的实现流程图；
图2是本发明上传周期调整规则的判定依据示意图；
图3是本发明LSTM模型的预测应用流程图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面结合附图 和实施例对本发明作进一步说明，但本发明所要保护的范围并不限于此。
参照图1～3，一种基于边云协同的无人机监控模块数据自适应上传方法， 所述方法包括模块流程、云端流程以及两者之间的数据交互；所述模块流程为 监控模块端数据上传周期自适应调整流程，云端流程为云平台端数据上传周期 自适应调整流程；模块流程向云端流程上传无人机状态数据、云端流程向模块 流程下发上传周期调整命令；
本发明的设计思想有两点：
第一，如无人机的飞行轨迹长时间保持平稳，则逐渐延长数据上传周期以 节约电池功耗；如无人机的飞行轨迹存在变化，则逐渐缩短数据上传周期，以 便更细致地观察其变化趋势；如无人机的飞行轨迹发生突变，则立刻请求云平 台介入。
第二，由监控模块单片机依据经度、纬度、高度三类数据判断飞行轨迹的 变化并自适应地调整数据上传周期，由云平台依据大量历史数据训练得出的无 人机飞手行为习惯来预测无人机飞行轨迹的变化并调整数据上传周期。
模块流程的处理步骤包括：
(1)周期性检测无人机状态数据并保存；
监控模块内的单片机以固定频率(例如1次/秒)采集GPS模块、气压模块， 检测到的包括无人机经度、纬度、高度在内的实时参数，并同时读取时钟芯片 或定时器之内的当时时间值，最终存储在监控模块内部的存储模块(SD卡或 Flash单元)；
采集无人机飞行状态信息时，通过GPS定位器采集无人机经度、纬度和高 度数据；另外，再通过三类传感器做辅助性测量，包括通过水平传感器采集无 人机头方向和无人机头到地面的垂直距离，通过俯仰传感器采集无人机相对于 惯性坐标系XOY平面的夹角数据，通过地磁感应器采集无人机x、y、z三轴方 位数据。
(2)空间位置预测值与实测值误差计算；
取离当前时刻最近的前三次上传的经度、纬度、高度数据以及每次上传的 时间值，计算得到无人机空间位置的预测值，然后计算当前空间位置实测值与 预测值之间的误差，为后续步骤提供是否需要调整上传周期的依据；
假设距离当前时刻最近的前面第三次向云平台上传数据的时间点为时间零 点，并假设当时的空间坐标值为(X0,Y0,Z0)，那么前面第二次、前面第一次 的空间坐标分别为(Xt1,Yt1,Zt1)、(Xt2,Yt2,Zt2)，其中t1、t2分别为前面第 二次、前面第一次与前面第三次之间的时间差值，且该时间差值为通过单片机 内时间芯片或定时器计算而来；然后假设当前空间位置的实测值坐标为(Xt3, Yt3,Zt3)，同样t3表示当前时刻与前面第三次之间的时间差值；
由于监控模块内单片机的计算性能较弱，因此采用二次多项式且经度纬度 高度分别预测的形式，使用前三次空间坐标值预测当前空间坐标值(X’t3,Y’t3, Z’t3)，如下列公式所示：
X＝X0+AX*t+BX*t2
Y＝Y0+AY*t+BY*t2
Z＝Z0+AZ*t+BZ*t2
上式中，AX和BX是针对经度预测所需要求解的二次多项式系数，利用上 文所述的(Xt1,t1)、(Xt2,t2)两组数据，单片机能快速地计算得到AX和BX两个系数，进而将t3值带入公式，即可得到预测的经度值X’t3；同样的，上式 中针对纬度预测的二次多项式系数AY和BY，和针对高度预测的二次多项式系 数AZ和BZ，也能同理求解得到，并最终计算得到纬度预测值Y’t3和高度预测 值Z’t3；
然后，按照下列公式计算当前空间坐标实测值与预测值之间的空间距离差：
Figure BDA0003664297960000081
其中，△s表示当前空间坐标实测值与预测值之间的空间距离差。
(3)判断是否需要调整上传周期并完成数据上传；
判断是否需要调整上传周期时，使用步骤(2)中计算的当前空间坐标实测 值与预测值之间的△s值，按照如下规则调整数据上传周期：
若△s小于3米，则上传周期加1秒；
若△s在3米到10米之间，则上传周期保持不变；
若△s在10米到20米之间，则上传周期减1秒；
若△s大于20米，则将上传周期重置至每秒1次；
上传周期调整完毕以后，将当前时刻的空间位置坐标实测值和调整后的最 新上传周期发送给云平台，上传的数据帧格式如下：
[上传时刻，经度，纬度，高度，最新的数据上传周期]。
需说明的是，上述调整规则，是基于民用GPS在运动状态下的测量精度 (10米)而制定的：当实测值与预测值之间误差小于3米时，可认为此时无人 机位置被预测地非常准确，因此上传周期可以延长1秒。当实测值与预测值之 间误差在3米到10米之间时，有可能该误差是由GPS的测量误差导致，也有 可能是无人机移动轨迹变化导致的，此时处于一种不确定但仍可接受的状态， 因此此时上传周期保持不变。当实测值与预测值之间误差在10米到20米之间 时，虽仍有小部分概率该误差由GPS的测量误差导致，但更大概率该误差是由 无人机移动轨迹变化导致的，出于保守起见，此时上传周期减少1秒，以便进 一步地观察。当实测值与预测值之间误差大于20米时，此时误差绝对不可能仅 由GPS的测量误差导致，可认为此时无人机移动轨迹已经发生了变化甚至突变， 此时将上传周期重置至每秒1次，也就是最初始的上传周期。
(4)回传历史数据中断操作；
该步骤为监控模块单片机中断流程，即单片机平时运行过程中，该步骤不 会被执行；但当云平台下发相关命令时，前三步骤，无论是否已经执行完，都 必须立刻停止，转而执行步骤(4)，执行完以后再继续原步骤任务；当接受到 历史数据回传命令时，单片机调取并上传当前时刻至上一上传时刻之间存储在 单片机内部的所有无人机状态参数，作为云平台重新计算上传周期的输入参数 的其中一部分。
云端流程的处理步骤包括：
(1)无人机数据接收并存储；
云平台系统需同时对应多架无人机，因此云平台系统将为每架无人机创建 一专用线程，用以接受该无人机的上传数据。
(2)空间位置预测值与实测值误差计算；
该步骤也是对无人机监控模块步骤二和步骤三的审核监督，因为监控模块 内单片机计算资源非常有限，仅靠三组经纬度数据预测出来的无人机航向轨迹， 很有可能会产生偏差。云平台的计算资源强大，不仅可以取多组历史经纬度数 据进行预测，还可将无人机飞手的飞行习惯因素也考虑在内。
云平台使用LSTM算法(长短期记忆人工神经网络)对无人机轨迹进行预 测；LSTM模型的训练数据为存在云平台的数量众多的不同无人机、以及不同 时间的历史飞行轨迹；LSTM模型训练完成之后，输入参数为当前无人机当前 飞行轨迹下上传的部分历史空间位置坐标值，输出参数为该无人机当前空间位 置的预测值；LSTM预测的具体过程如下：
训练数据集为历史各条飞行轨迹H＝(h1，h2，...，hI)，
Figure BDA0003664297960000101
hi表示第i条完整的无人机轨迹 的位置信息序列，I为总的轨迹序列条数，m为该条轨迹序列中的第m个航迹点； t，X，Y，Z分别是无人机在T时刻的4项特征：时间戳、经度、纬度、高度；
然后，把上述数据集进行归一化处理，以降低量纲和取值范围对网络性能 的影响；本发明采用Min-Max方法进行归一化，如下公式所示：
Figure BDA0003664297960000102
上式中，hmax是该条轨迹历史数据集中的最大值，hmin是该条轨迹历史数 据集中的最小值，h′为该条轨迹归一化之后的数据；
再然后，对归一化以后的数据集
Figure BDA0003664297960000103
Figure BDA0003664297960000104
进行分割处理，设置一个长度为L的滑动窗，对数据集进行使用滑动 窗截取数据，并对截取后的数据进行下标重排，因此截取后的数据集形式为：
Figure BDA0003664297960000105
上述截取出来的数据中，将前面m-1个数据，即
Figure BDA0003664297960000106
Figure BDA0003664297960000107
作为LSTM训练输入数据，将最后一个数据， 即
Figure BDA0003664297960000108
记为fm并作为训练标签值，由此形成的一条 完整的LSTM训练数据；根据上述过程可知，每条历史飞行轨迹均可产生若干 条训练数据，然后对网络结构形如图3所示的LSTM模型进行训练。
LSTM模型内的初始网络参数(包括各层之间的连接权值)均为随机给出， 然后LSTM模型按照如下过程进行训练：首先前向计算每个神经元的输出值， 然后反向计算每个神经元的误差值，最后根据相应的误差项，计算每个权重的 梯度，更新权重和偏置参数，目标是代价函数最小，如下式所示：
Figure BDA0003664297960000109
上式中，fm为训练标签值也就是实际测得的空间位置坐标值，f’m为LSTM 预测值，F为代价函数，当代价函数F值取得最小时，此时LSTM模型即训练 完毕；需要说明的是，LSTM模型的训练频次很低(例如每月训练一次)，只 有当云平台新增加了很多无人机新轨迹以后，才会重新训练LSTM模型。
训练完成之后，如果要对当前时刻t无人机的当前空间位置坐标值 (t，Xt，Yt，Zt)进行预测，图3为LSTM模型的预测过程示意图。在图3中，使用 已经训练好的LSTM模型，将所需预测的无人机，其前面上传的L-1个空间位 置坐标值数据作为输入，然后运算LSTM得到当前空间位置的预测值；
最后，将LSTM计算得到的空间位置预测值，与监控模块上传的空间位置 实际值，按照下式计算两者之间的空间距离差值：
Figure BDA0003664297960000111
其中，△s’表示空间位置预测值与监控模块上传的空间位置实际值之间的空 间距离差值。
(3)审核监控模块对上传周期的调整是否合理；
云平台对上传周期的调整审核，遵守与监控模块同样的规则，即下列规则：
若△s小于3米，则上传周期加1秒；
若△s在3米到10米之间，则上传周期保持不变；
若△s在10米到20米之间，则上传周期减1秒；
若△s大于20米，则将上传周期重置至每秒1次；
云平台根据所存的上传周期，以及接收到的最新上传周期，比较两者，看 两者之间的调整是否符合规则，如若符合则不做任何响应，如若不符合，则将 云平台所计算得到的最新上传周期下发给监控模块；当云平台与监控模块两者 计算出来的上传周期不一致时，以云平台的计算结果为准，监控模块将无条件 接受；
当监控模块计算得到的△s值小于20米，而云平台计算得到的△s’值大于20 米时，通过云平台下发命令，监控模块不仅会将上传周期重置至每秒1次，而 且还需执行数据回传操作，即回传当前时刻至上一上传时刻之间存储在单片机 内部的所有无人机状态参数。
本发明主要由监控模块端数据上传周期自适应调整流程(简称“模块流 程”)与云平台端数据上传周期自适应调整流程(简称“云端流程”)两部分 组成；其中模块流程包括周期性检测无人机状态数据并保存、空间位置预测值 与实测值误差计算、判断是否需要调整上传周期并完成数据上传、回传历史数 据中断操作四个步骤，云端流程包括无人机数据接收并存储、空间位置预测值 与实测值误差计算、审核监控模块对上传周期的调整是否合理三个步骤。通过 本发明提出的云边协同方法，可自适应地调整无人机监控模块的数据上传周期， 既有效降低了无人机监控模块的功耗，提高了无人机监控模块电池的单次使用寿命时长，又确保无人机飞行轨迹的重要数据不会遗漏漏传，具有很好的推广 性。
以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的具体 实施方式，但并不能因此而理解为对本发明专利范围的限制。应当指出的是， 对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，凡依本发明 申请范围所做出的若干变形与改进等，均应仍属于本发明的专利涵盖范围之内。

Claims (9)

1.一种基于边云协同的无人机监控模块数据自适应上传方法，其特征在于：
所述方法包括模块流程、云端流程以及两者之间的数据交互；所述模块流程为监控模块端数据上传周期自适应调整流程，云端流程为云平台端数据上传周期自适应调整流程；模块流程向云端流程上传无人机状态数据、云端流程向模块流程下发上传周期调整命令；
模块流程的处理步骤包括：
(1)周期性检测无人机状态数据并保存；
(2)空间位置预测值与实测值误差计算；
(3)判断是否需要调整上传周期并完成数据上传；
(4)回传历史数据中断操作；
云端流程的处理步骤包括：
(1)无人机数据接收并存储；
(2)空间位置预测值与实测值误差计算；
(3)审核监控模块对上传周期的调整是否合理。
2.根据权利要求1所述基于边云协同的无人机监控模块数据自适应上传方法，其特征在于模块流程的处理步骤(1)具体为：
监控模块内的单片机以固定频率采集GPS模块、气压模块，检测到的包括无人机经度、纬度、高度在内的实时参数，并同时读取时钟芯片或定时器之内的当时时间值，最终存储在监控模块内部的存储模块。
3.根据权利要求2所述基于边云协同的无人机监控模块数据自适应上传方法，其特征在于模块流程的处理步骤(2)具体为：
取离当前时刻最近的前三次上传的经度、纬度、高度数据以及每次上传的时间值，计算得到无人机空间位置的预测值，然后计算当前空间位置实测值与预测值之间的误差，为后续步骤提供是否需要调整上传周期的依据；
假设距离当前时刻最近的前面第三次向云平台上传数据的时间点为时间零点，并假设当时的空间坐标值为(X0,Y0,Z0)，那么前面第二次、前面第一次的空间坐标分别为(Xt1,Yt1,Zt1)、(Xt2,Yt2,Zt2)，其中t1、t2分别为前面第二次、前面第一次与前面第三次之间的时间差值，且该时间差值为通过单片机内时间芯片或定时器计算而来；然后假设当前空间位置的实测值坐标为(Xt3,Yt3,Zt3)，同样t3表示当前时刻与前面第三次之间的时间差值；
采用二次多项式且经度纬度高度分别预测的形式，使用前三次空间坐标值预测当前空间坐标值(X’t3,Y’t3,Z’t3)，如下列公式所示：
X＝X0+AX*t+BX*t2
Y＝Y0+AY*t+BY*t2
Z＝Z0+AZ*t+BZ*t2
上式中，AX和BX是针对经度预测所需要求解的二次多项式系数，利用(Xt1,t1)、(Xt2,t2)两组数据，单片机计算得到AX和BX两个系数，进而将t3值带入公式，即可得到预测的经度值X’t3；同样的，上式中针对纬度预测的二次多项式系数AY和BY，和针对高度预测的二次多项式系数AZ和BZ，也能同理求解得到，并最终计算得到纬度预测值Y’t3和高度预测值Z’t3；
然后，按照下列公式计算当前空间坐标实测值与预测值之间的空间距离差：
Figure FDA0003664297950000021
其中，△s表示当前空间坐标实测值与预测值之间的空间距离差。
4.根据权利要求3所述基于边云协同的无人机监控模块数据自适应上传方法，其特征在于模块流程的处理步骤(3)具体为：
判断是否需要调整上传周期时，使用步骤(2)中计算的当前空间坐标实测值与预测值之间的△s值，按照如下规则调整数据上传周期：
若△s小于3米，则上传周期加1秒；
若△s在3米到10米之间，则上传周期保持不变；
若△s在10米到20米之间，则上传周期减1秒；
若△s大于20米，则将上传周期重置至每秒1次；
上传周期调整完毕以后，将当前时刻的空间位置坐标实测值和调整后的最新上传周期发送给云平台，上传的数据帧格式如下：
[上传时刻，经度，纬度，高度，最新的数据上传周期]。
5.根据权利要求4所述基于边云协同的无人机监控模块数据自适应上传方法，其特征在于模块流程的处理步骤(4)具体为：
该步骤为监控模块单片机中断流程，即单片机平时运行过程中，该步骤不会被执行；但当云平台下发相关命令时，前三步骤，无论是否已经执行完，都必须立刻停止，转而执行步骤(4)，执行完以后再继续原步骤任务；当接受到历史数据回传命令时，单片机调取并上传当前时刻至上一上传时刻之间存储在单片机内部的所有无人机状态参数，作为云平台重新计算上传周期的输入参数的其中一部分。
6.根据权利要求5所述基于边云协同的无人机监控模块数据自适应上传方法，其特征在于云端流程的处理步骤(1)具体为：
云平台系统将为每架无人机创建一专用线程，用以接受该无人机的上传数据。
7.根据权利要求6所述基于边云协同的无人机监控模块数据自适应上传方法，其特征在于云端流程的处理步骤(2)具体为：
云平台使用LSTM算法对无人机轨迹进行预测；LSTM模型的训练数据为存在云平台的不同无人机、以及不同时间的历史飞行轨迹；LSTM模型训练完成之后，输入参数为当前无人机当前飞行轨迹下上传的部分历史空间位置坐标值，输出参数为该无人机当前空间位置的预测值；LSTM预测的具体过程如下：
训练数据集为历史各条飞行轨迹H＝(h1，h2，...，hI)，
Figure FDA0003664297950000031
hi表示第i条完整的无人机轨迹的位置信息序列，I为总的轨迹序列条数，m为该条轨迹序列中的第m个航迹点；t，X，Y，Z分别是无人机在t时刻的4项特征：时间戳、经度、纬度、高度；
然后，采用Min-Max方法进将上述数据集进行归一化处理行归一化，如下公式所示：
Figure FDA0003664297950000032
上式中，hmax是该条轨迹历史数据集中的最大值，hmin是该条轨迹历史数据集中的最小值，h′为该条轨迹归一化之后的数据；
再然后，对归一化以后的数据集
Figure FDA0003664297950000033
Figure FDA0003664297950000034
进行分割处理，设置一个长度为L的滑动窗，对数据集进行使用滑动窗截取数据，并对截取后的数据进行下标重排，因此截取后的数据集形式为：
Figure FDA0003664297950000041
上述截取出来的数据中，将前面m-1个数据，即
Figure FDA0003664297950000042
Figure FDA0003664297950000043
作为LSTM训练输入数据，将最后一个数据，即
Figure FDA0003664297950000044
记为fm并作为训练标签值，由此形成的一条完整的LSTM训练数据；
LSTM模型内的初始网络参数均为随机给出，然后LSTM模型按照如下过程进行训练：首先前向计算每个神经元的输出值，然后反向计算每个神经元的误差值，最后根据相应的误差项，计算每个权重的梯度，更新权重和偏置参数，目标是代价函数最小，如下式所示：
Figure FDA0003664297950000045
上式中，fm为训练标签值也就是实际测得的空间位置坐标值，f’m为LSTM预测值，F为代价函数，当代价函数F值取得最小时，此时LSTM模型即训练完毕；
训练完成之后，如果要对当前时刻t无人机的当前空间位置坐标值(t，Xt，Yt，Zt)进行预测，使用已经训练好的LSTM模型，将所需预测的无人机，其前面上传的L-1个空间位置坐标值数据作为输入，然后运算LSTM得到当前空间位置的预测值；
最后，将LSTM计算得到的空间位置预测值，与监控模块上传的空间位置实际值，按照下式计算两者之间的空间距离差值：
Figure FDA0003664297950000046
其中，△s’表示空间位置预测值与监控模块上传的空间位置实际值之间的空间距离差值。
8.根据权利要求7所述基于边云协同的无人机监控模块数据自适应上传方法，其特征在于云端流程的处理步骤(3)具体为：
云平台对上传周期的调整审核，遵守与监控模块同样的规则，云平台根据所存的上传周期，以及接收到的最新上传周期，比较两者，看两者之间的调整是否符合规则，如若符合则不做任何响应，如若不符合，则将云平台所计算得到的最新上传周期下发给监控模块；当云平台与监控模块两者计算出来的上传周期不一致时，以云平台的计算结果为准，监控模块将无条件接受；
当监控模块计算得到的△s值小于20米，而云平台计算得到的△s’值大于20米时，通过云平台下发命令，监控模块不仅会将上传周期重置至每秒1次，而且还需执行数据回传操作，即回传当前时刻至上一上传时刻之间存储在单片机内部的所有无人机状态参数。
9.根据权利要求4所述基于边云协同的无人机监控模块数据自适应上传方法，其特征在于上述调整规则，是基于民用GPS在运动状态下的测量精度而制定的。
CN202210588899.8A 2022-05-26 2022-05-26 一种基于边云协同的无人机监控模块数据自适应上传方法 Active CN114942688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210588899.8A CN114942688B (zh) 2022-05-26 2022-05-26 一种基于边云协同的无人机监控模块数据自适应上传方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210588899.8A CN114942688B (zh) 2022-05-26 2022-05-26 一种基于边云协同的无人机监控模块数据自适应上传方法

Publications (2)

Publication Number Publication Date
CN114942688A true CN114942688A (zh) 2022-08-26
CN114942688B CN114942688B (zh) 2023-05-26

Family

ID=82908990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210588899.8A Active CN114942688B (zh) 2022-05-26 2022-05-26 一种基于边云协同的无人机监控模块数据自适应上传方法

Country Status (1)

Country Link
CN (1) CN114942688B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117596209A (zh) * 2024-01-19 2024-02-23 湖南德意电气有限公司 一种高低压配电环境运行参数实时监测预警系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106197424A (zh) * 2016-06-28 2016-12-07 哈尔滨工业大学 遥测数据驱动的无人机飞行状态识别方法
US20170161584A1 (en) * 2015-12-07 2017-06-08 The Climate Corporation Cloud detection on remote sensing imagery
CN108933622A (zh) * 2014-02-10 2018-12-04 深圳市大疆创新科技有限公司 数据传输方法及装置、以及可移动物体发送图像的方法
CN109447048A (zh) * 2018-12-25 2019-03-08 苏州闪驰数控系统集成有限公司 一种人工智能预警系统
WO2019161076A1 (en) * 2018-02-19 2019-08-22 Digital Global Systems, Inc. Systems, methods, and devices for unmanned vehicle detection and threat management
US20190384283A1 (en) * 2017-01-23 2019-12-19 The Board Of Trustees Of The University Of Illinois Adaptive cyber-physical system for efficient monitoring of unstructured environments
CN111738480A (zh) * 2019-03-21 2020-10-02 塔莱斯公司 用于管理航空中的数据的生命周期的分布式账本
CN113421442A (zh) * 2021-06-01 2021-09-21 上海大学 一种基于视觉分析的交通信号灯控制系统
CN113884137A (zh) * 2021-10-09 2022-01-04 国能大渡河流域水电开发有限公司 无人机抛投安装的危岩姿态监测仪及其方法
US20220026519A1 (en) * 2015-07-17 2022-01-27 Chenshu Wu Method, apparatus, and system for movement tracking
EP3978949A2 (en) * 2020-10-02 2022-04-06 Origin Wireless, Inc. System and method for wireless motion monitoring

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108933622A (zh) * 2014-02-10 2018-12-04 深圳市大疆创新科技有限公司 数据传输方法及装置、以及可移动物体发送图像的方法
US20220026519A1 (en) * 2015-07-17 2022-01-27 Chenshu Wu Method, apparatus, and system for movement tracking
US20170161584A1 (en) * 2015-12-07 2017-06-08 The Climate Corporation Cloud detection on remote sensing imagery
CN106197424A (zh) * 2016-06-28 2016-12-07 哈尔滨工业大学 遥测数据驱动的无人机飞行状态识别方法
US20190384283A1 (en) * 2017-01-23 2019-12-19 The Board Of Trustees Of The University Of Illinois Adaptive cyber-physical system for efficient monitoring of unstructured environments
WO2019161076A1 (en) * 2018-02-19 2019-08-22 Digital Global Systems, Inc. Systems, methods, and devices for unmanned vehicle detection and threat management
CN109447048A (zh) * 2018-12-25 2019-03-08 苏州闪驰数控系统集成有限公司 一种人工智能预警系统
CN111738480A (zh) * 2019-03-21 2020-10-02 塔莱斯公司 用于管理航空中的数据的生命周期的分布式账本
EP3978949A2 (en) * 2020-10-02 2022-04-06 Origin Wireless, Inc. System and method for wireless motion monitoring
CN113421442A (zh) * 2021-06-01 2021-09-21 上海大学 一种基于视觉分析的交通信号灯控制系统
CN113884137A (zh) * 2021-10-09 2022-01-04 国能大渡河流域水电开发有限公司 无人机抛投安装的危岩姿态监测仪及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117596209A (zh) * 2024-01-19 2024-02-23 湖南德意电气有限公司 一种高低压配电环境运行参数实时监测预警系统
CN117596209B (zh) * 2024-01-19 2024-03-26 湖南德意电气有限公司 一种高低压配电环境运行参数实时监测预警系统

Also Published As

Publication number Publication date
CN114942688B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN110427047B (zh) 风速测算方法、风速估算器及无人机
US20240017826A1 (en) Method for adaptive mission execution on an unmanned aerial vehicle
CN110244753B (zh) 风速测算方法及无人机
US20210181766A1 (en) Return flight control method and device, and unmanned aerial vehicle
CA2782105C (en) Heuristic method for computing performance of an aircraft
US20180259342A1 (en) System and method for dead reckoning for a drone
CN116719339A (zh) 一种基于无人机的电力线路巡检控制方法及系统
EP3637388A1 (en) Vertical flightpath optimization
CN111338379B (zh) 自动控制飞行器的协同路径规划方法
CN117591794B (zh) 基于时间序列的鸟类迁徙轨迹预测方法
CN112911497B (zh) 一种合作类无人机轨迹实时预测方法及系统
CN117270561B (zh) 基于无人机目标跟踪的赋予诸元方法和系统
CN118151675B (zh) 用于复杂场景巡航的无人机姿态控制方法及系统
CN110727286B (zh) 用于确定下降剖面的方法和系统
CN111444786A (zh) 基于无人机群的人群疏散方法、装置、系统及存储介质
CN111968414A (zh) 基于大数据和ai的4d轨迹预测方法、装置及电子设备
CN114942688A (zh) 一种基于边云协同的无人机监控模块数据自适应上传方法
KR20200104240A (ko) 꼬리-특정 파라미터 계산을 위한 시스템 및 방법
CN113095504A (zh) 一种目标轨迹预测系统及预测方法
Melnychenko et al. A self-organized automated system to control unmanned aerial vehicles for object detection
CN110196601A (zh) 无人机控制方法、装置、系统和计算机可读存储介质
CN114462740A (zh) 飞行任务评估方法、装置、设备和计算机可读存储介质
CN116794532A (zh) 基于多模态传感器融合算法的无人机电池电量预测方法
CN116736876A (zh) 无人驾驶航空器飞行路线控制方法、系统和可读存储介质
CN114138018A (zh) 一种无人机巡检控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant