CN110209195A - 海上无人机的远程控制系统及控制方法 - Google Patents

Abstract

本发明涉及一种海上无人机的远程控制系统及控制方法，所述系统包括船舶姿态检测模块、船舶环境检测模块、船舶容量检测模块、无人机姿态检测模块、无人机环境检测模块、无人机状态检测模块、飞行安全指数计算模块、起降安全指数计算模块和无人机控制模块，所述无人机控制模块判断当前无人机的状态，如果当前无人机正处于飞行状态，则获取无人机的飞行安全指数和降落安全指数，如果无人机的飞行安全指数和降落安全指数满足预设的无人机降落条件，则控制无人机降落在起降平台上，如果当前无人机正处于停放状态，则获取无人机停放的船舶的起飞安全指数，如果起飞安全指数满足预设的无人机起飞条件，则控制无人机从起降平台上起飞，充分保障飞行安全。

Description

海上无人机的远程控制系统及控制方法

技术领域

本发明涉及海上无人机技术领域，具体是指一种海上无人机的远程控制系统及控制方法。

背景技术

无人机的快速发展决定了其不仅可以用于解决陆地上的问题，而且还可以用于解决海上问题。遗憾的是，目前无人机的海上应用还十分困难。这很大程度上受限于无人机的海上着陆技术。无人机在船舶上着陆受到多种因素的制约，如甲板的尺寸、海浪的大小、风速等。因此，研究无人机在船舶上的应用技术是一个十分有现实意义课题。

无人机在飞行过程中，可能会遇到电量的问题以及会遇到天气不好的情况，如果不能及时召回，则无人机的飞行过程可能会出现危险。而无人机在起飞和降落的过程中，无人机和船舶的相互配合也十分重要。

因此，需要提供一种对于无人机可以远程控制其飞行状态以及起飞和降落的时机，保障无人机的飞行和使用安全。

发明内容

为了解决现有技术中的问题，本发明提供了一种海上无人机的远程控制系统及控制方法，通过船舶状态的检测和无人机状态的检测，可以准确判断无人机当前状态适合飞行还是适合停放，保障无人机的飞行和使用安全。

为了实现上述目的，本发明具有如下构成：

本发明提供了一种海上无人机的远程控制系统，所述系统包括：

船舶姿态检测模块，用于检测配置有起降平台的船舶的运行姿态；

船舶环境检测模块，用于检测配置有起降平台的船舶处的天气信息；

船舶容量检测模块，用于检测船舶的起降平台当前停放的无人机数量；

无人机姿态检测模块，用于检测无人机的飞行姿态；

无人机环境检测模块，用于检测无人机周围的天气信息；

无人机状态检测模块，用于检测无人机的电量和无人机的故障信息；

飞行安全指数计算模块，用于将无人机的飞行姿态、周围的天气信息、电量和无人机的故障信息输入训练好的飞行安全指数计算模型，得到输出的飞行安全指数；

起降安全指数计算模块，用于将配置有起降平台的船舶的运行姿态、船舶处的天气信息和起降平台当前停放的无人机数量分别输入训练好的起飞安全指数计算模型和训练好的降落安全指数计算模型，分别得到所述起飞安全指数计算模型输出的起飞安全指数和所述降落安全指数计算模型输出的降落安全指数；

无人机控制模块，用于判断当前无人机的状态，如果当前无人机正处于飞行状态，则获取无人机的飞行安全指数和降落安全指数，如果所述无人机的飞行安全指数和降落安全指数满足预设的无人机降落条件，则控制所述无人机降落在所述起降平台上，如果当前无人机正处于停放状态，则获取无人机停放的船舶的起飞安全指数，如果所述起飞安全指数满足预设的无人机起飞条件，则控制所述无人机从所述起降平台上起飞。

可选地，所述船舶姿态检测模块获取设置于所述起降平台处的三轴加速度计和三轴陀螺仪的检测数据，根据所述起降平台处的三轴加速度计和三轴陀螺仪的检测数据计算得到船舶在三个轴线方向上的加速度a1，a2，a3。

可选地，所述船舶环境检测模块将所述船舶的定位数据发送至云端服务器，从所述云端服务器查询船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1，所述船舶环境检测模块还获取设置于所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2。

可选地，所述起降安全指数计算模块将所述船舶在三个轴线方向上的加速度a1，a2，a3，所述船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1以及所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2输入所述训练好的起飞安全指数计算模型之前，增加所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2的权重，然后将加权后的数据输入所述训练好的起飞安全指数计算模型；

起降安全指数计算模块将所述船舶在三个轴线方向上的加速度a1，a2，a3，所述船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1以及所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2输入所述训练好的降落安全指数计算模型之前，增加所述船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1以及所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2的权重，然后将加权后的数据输入所述训练好的降落安全指数计算模型。

可选地，所述无人机姿态检测模块获取设置于所述无人机中的三轴加速度计和三轴陀螺仪的检测数据，计算得到无人机在三个轴线方向上的加速度b1，b2，b3。

可选地，所述无人机环境检测模块将所述无人机的定位数据发送至云端服务器，从所述云端服务器查询无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3；

所述无人机环境检测模块获取无人机的飞行方向和飞行速度，预测所述无人机在未来预设时间段后达到的位置，将预测的位置发送至云端服务器，从所述云端服务器获取在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4。

可选地，所述飞行安全指数计算模块将所述无人机的飞行姿态、周围的天气信息、电量和无人机的故障信息输入训练好的飞行安全指数计算模型时，首先判断所述电量是否大于预设电量阈值且无人机当前无故障，如果是，则所述飞行安全指数计算模块提高在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4的权重，然后将无人机在三个轴线方向上的加速度b1，b2，b3、无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3，在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4以及无人机的电量数据输入至所述飞行安全指数计算模型；

所述电量小于预设电量阈值或无人机当前出现故障时，提高无人机在三个轴线方向上的加速度b1，b2，b3，无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3的权重，然后将无人机在三个轴线方向上的加速度b1，b2，b3、无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4、无人机的电量数据和无人机的故障等级输入至所述飞行安全指数计算模型。

可选地，所述系统还包括：

飞行安全指数计算模型训练模块，用于构建卷积神经网络，所述卷积神经网络包括三个卷积层、三个池化层、全连接层和softmax函数层，配置训练集中的多个数组，各个数组中每一个元素分别表示一无人机对应的属性值，并为各个数组标记飞行安全指数，将训练集输入至所述卷积神经网络，训练至损失函数最小，得到训练好的飞行安全指数计算模型。

可选地，所述系统还包括：

起降安全指数计算模型训练模块，用于分别构建第一卷积神经网络和第二卷积神经网络，所述第一卷积神经网络和第二卷积神经网络分别包括三个卷积层、三个池化层、全连接层和softmax函数层，配置训练集中的多个数组，各个数组中每一个元素分别表示一船舶对应的属性值，并为各个数组标记起飞安全指数和降落安全指数，将所述训练集分别输入所述第一卷积神经网络和第二卷积神经网络，分别训练至损失函数最小，得到训练好的起飞安全指数计算模型和训练好的降落安全指数计算模型。

本发明实施例还提供一种海上无人机的远程控制方法，采用所述的海上无人机的远程控制系统，所述方法包括如下步骤：

检测配置有起降平台的船舶的运行姿态；

检测配置有起降平台的船舶处的天气信息；

检测船舶的起降平台当前停放的无人机数量；

检测无人机的飞行姿态；

检测无人机周围的天气信息；

检测无人机的电量和无人机的故障信息；

将无人机的飞行姿态、周围的天气信息、电量和无人机的故障信息输入训练好的飞行安全指数计算模型，得到输出的飞行安全指数；

将配置有起降平台的船舶的运行姿态、船舶处的天气信息和起降平台当前停放的无人机数量分别输入训练好的起飞安全指数计算模型和训练好的降落安全指数计算模型，分别得到所述起飞安全指数计算模型输出的起飞安全指数和所述降落安全指数计算模型输出的降落安全指数；

判断当前无人机的状态，如果当前无人机正处于飞行状态，则获取无人机的飞行安全指数和降落安全指数，如果所述无人机的飞行安全指数和降落安全指数满足预设的无人机降落条件，则控制所述无人机降落在所述起降平台上，如果当前无人机正处于停放状态，则获取无人机停放的船舶的起飞安全指数，如果所述起飞安全指数满足预设的无人机起飞条件，则控制所述无人机从所述起降平台上起飞。

因此，本发明通过船舶状态的检测和无人机状态的检测，可以准确判断无人机当前状态适合飞行还是适合停放，保障无人机的飞行和使用安全；在无人机的不同状态下，对不同的数据设定不同的权重，以实现最大程度减少模型的使用的基础上提高无人机对于不同场景的适应能力；通过对无人机飞行下一阶段的状态预测，保障无人机在接下来一段时间内的飞行安全。

附图说明

图1为本发明一实施例的海上无人机的远程控制系统的结构框图；

图2为本发明一实施例的海上无人机的远程控制方法的流程图；

图3为本发明一实施例的根据安全指数控制无人机的流程图；

图4为本发明一实施例的卷积神经网络的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。

所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员应意识到，没有特定细节中的一个或更多，或者采用其它的方法、组元、材料等，也可以实践本发明的技术方案。在某些情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本发明。

如图1所示，本发明提供了一种海上无人机的远程控制系统，所述系统包括：

船舶姿态检测模块M100，用于检测配置有起降平台的船舶的运行姿态；

船舶环境检测模块M200，用于检测配置有起降平台的船舶处的天气信息；

船舶容量检测模块M300，用于检测船舶的起降平台当前停放的无人机数量；

无人机姿态检测模块M400，用于检测无人机的飞行姿态；

无人机环境检测模块M500，用于检测无人机周围的天气信息；

无人机状态检测模块M600，用于检测无人机的电量和无人机的故障信息；

飞行安全指数计算模块M700，用于将无人机的飞行姿态、周围的天气信息、电量和无人机的故障信息输入训练好的飞行安全指数计算模型，得到输出的飞行安全指数；

起降安全指数计算模块M800，用于将配置有起降平台的船舶的运行姿态、船舶处的天气信息和起降平台当前停放的无人机数量分别输入训练好的起飞安全指数计算模型和训练好的降落安全指数计算模型，分别得到所述起飞安全指数计算模型输出的起飞安全指数和所述降落安全指数计算模型输出的降落安全指数；

无人机控制模块M900，用于判断当前无人机的状态，如果当前无人机正处于飞行状态，则获取无人机的飞行安全指数和降落安全指数，如果所述无人机的飞行安全指数和降落安全指数满足预设的无人机降落条件，则控制所述无人机降落在所述起降平台上，如果当前无人机正处于停放状态，则获取无人机停放的船舶的起飞安全指数，如果所述起飞安全指数满足预设的无人机起飞条件，则控制所述无人机从所述起降平台上起飞。

如图2所示，本发明实施例还提供一种海上无人机的远程控制方法，采用所述的海上无人机的远程控制系统，所述方法包括如下步骤：

S100：检测配置有起降平台的船舶的运行姿态；

S200：检测配置有起降平台的船舶处的天气信息；

S300：检测船舶的起降平台当前停放的无人机数量；

S400：检测无人机的飞行姿态；

S500：检测无人机周围的天气信息；

S600：检测无人机的电量和无人机的故障信息；

S700：将无人机的飞行姿态、周围的天气信息、电量和无人机的故障信息输入训练好的飞行安全指数计算模型，得到输出的飞行安全指数；

S800：将配置有起降平台的船舶的运行姿态、船舶处的天气信息和起降平台当前停放的无人机数量分别输入训练好的起飞安全指数计算模型和训练好的降落安全指数计算模型，分别得到所述起飞安全指数计算模型输出的起飞安全指数和所述降落安全指数计算模型输出的降落安全指数；

S900：根据无人机的飞行安全指数和起降安全指数远程控制无人机。

如图3所示，具体地，在该实施例中，步骤S900包括如下步骤：

S901：判断当前无人机的状态；

S902：如果当前无人机正处于飞行状态，则获取无人机的飞行安全指数和降落安全指数；

S903：判断是否满足预设的无人机降落条件；

S904：如果所述无人机的飞行安全指数和降落安全指数满足预设的无人机降落条件，则控制所述无人机降落在所述起降平台上；例如，预设的无人机降落条件时飞行安全指数小于第一阈值且降落安全指数大于第二阈值，此时无人机继续飞行的安全指数较低，为了保障无人机的安全使用，在无人机降落安全系数高于第二阈值时，优先控制无人机降落；此处第一阈值和第二阈值可以根据需要设定；

S905：如果当前无人机正处于停放状态，则获取无人机停放的船舶的起飞安全指数；

S906：判断是否满足预设的无人机起飞条件；

S907：如果所述起飞安全指数满足预设的无人机起飞条件，则控制所述无人机从所述起降平台上起飞；例如，预设的无人机起飞条件为起飞安全系数大于第三阈值，此处第三阈值的值可以根据需要设定；

S908：如果不满足如上情况，则控制无人机当前状态保持不变。

因此，本发明通过船舶状态的检测和无人机状态的检测，可以准确判断无人机当前状态适合飞行还是适合停放，保障无人机的飞行和使用安全。

在该实施例中，所述船舶姿态检测模块获取设置于所述起降平台处的三轴加速度计和三轴陀螺仪的检测数据，根据所述起降平台处的三轴加速度计和三轴陀螺仪的检测数据计算得到船舶在三个轴线方向上的加速度a1，a2，a3。

在该实施例中，所述船舶环境检测模块将所述船舶的定位数据发送至云端服务器，从所述云端服务器查询船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1，所述船舶环境检测模块还获取设置于所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2。

在该实施例中，所述起降安全指数计算模块将所述船舶在三个轴线方向上的加速度a1，a2，a3，所述船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1以及所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2输入所述训练好的起飞安全指数计算模型之前，增加所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2的权重，然后将加权后的数据以及船舶的起降平台上停放的无人机数量输入所述训练好的起飞安全指数计算模型。即在计算起飞安全系数来说，由于无人机当前位置和船舶位置是一致的，并且无人机停放在船舶上，无人机的姿态和船舶的姿态也基本一致，着重考虑当前时刻的一些姿态数据和环境数据，来判断起飞安全系数的高低。

起降安全指数计算模块将所述船舶在三个轴线方向上的加速度a1，a2，a3，所述船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1以及所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2输入所述训练好的降落安全指数计算模型之前，增加所述船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1以及所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2的权重，然后将加权后的数据输入所述训练好的降落安全指数计算模型。即在计算降落安全系数时，由于无人机可能距离船舶有一定距离，无人机飞到船舶附近进行降落时可能距离当前时刻有一段时间，因此，着重考虑在未来预设时间段内(例如半小时内、20分钟内等)船舶的一些姿态数据和环境数据，来预测当无人机来到起降平台处时的降落安全系数。

由此，在采集数据时只需要采集一组数据，通过不同的加权运算，可以分别应用于起飞安全系数和降落安全系数的计算，十分方便快捷。

在该实施例中，所述无人机姿态检测模块获取设置于所述无人机中的三轴加速度计和三轴陀螺仪的检测数据，计算得到无人机在三个轴线方向上的加速度b1，b2，b3。

在该实施例中，所述无人机环境检测模块将所述无人机的定位数据发送至云端服务器，从所述云端服务器查询无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3；

所述无人机环境检测模块获取无人机的飞行方向和飞行速度，预测所述无人机在未来预设时间段后达到的位置，将预测的位置发送至云端服务器，从所述云端服务器获取在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4。

在该实施例中，所述飞行安全指数计算模型将所述无人机的飞行姿态、周围的天气信息、电量和无人机的故障信息输入训练好的飞行安全指数计算模型时，首先判断所述电量是否大于预设电量阈值且无人机当前无故障，如果是，则所述飞行安全指数计算模块提高在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4的权重，然后将无人机在三个轴线方向上的加速度b1，b2，b3、无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3，在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4以及无人机的电量数据输入至所述飞行安全指数计算模型；即在无人机电量充足且无人机当前没有故障的情况下，无人机还可以继续飞行一端时间，则着重考虑无人机未来一段时间内预测的数据，保障无人机在未来一段时间内飞行的安全；

所述电量小于预设电量阈值或无人机当前出现故障时，提高无人机在三个轴线方向上的加速度b1，b2，b3，无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3的权重，然后将无人机在三个轴线方向上的加速度b1，b2，b3、无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4、无人机的电量数据和无人机的故障等级输入至所述飞行安全指数计算模型；即在无人机电量不足或无人机出现故障时，需要着重考虑无人机当前的状态数据，如果无人机当前所处环境比较恶劣或者无人机颠簸比较严重，则需要优先使得无人机返回起降平台进行奖励。

由此，只需要采用一个飞行安全系数计算模型，并采集一组数据，即可以适用于不同场景不同状态下无人机的飞行安全的判断，大大节省了计算量，降低了各个设备的运行负担。

在该实施例中，所述海上无人机的远程控制系统还包括：

飞行安全指数计算模型训练模块，用于构建卷积神经网络，所述卷积神经网络包括三个卷积层、三个池化层、全连接层和softmax函数层，配置训练集中的多个数组，各个数组中每一个元素分别表示一无人机对应的属性值，具体地，可以包括无人机在三个轴线方向上的加速度b1，b2，b3、无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4、无人机的电量数据和无人机的故障等级，并为各个数组标记飞行安全指数，将训练集输入至所述卷积神经网络，训练至损失函数最小，得到训练好的飞行安全指数计算模型。输入的数组可以为一维数组，也可以构建为多维数组。卷积神经网络的示意图可以参见图4。卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征。每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征。在卷积层进行特征提取后，输出的特征会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。全连接层通常搭建在卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号。softmax函数，又称归一化指数函数。它是二分类函数sigmoid在多分类上的推广，目的是将多分类的结果以概率的形式展现出来。其中，对飞行安全指数的计算，相当于对飞行安全概率的计算。

在该实施例中，所述海上无人机的远程控制系统还包括：

起降安全指数计算模型训练模块，用于分别构建第一卷积神经网络和第二卷积神经网络，所述第一卷积神经网络和第二卷积神经网络分别包括三个卷积层、三个池化层、全连接层和softmax函数层，配置训练集中的多个数组，各个数组中每一个元素分别表示一船舶对应的属性值，具体地可以包括船舶在三个轴线方向上的加速度a1，a2，a3，所述船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1以及所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2、以及船舶的起降平台当前停靠飞机的数量，并为各个数组标记起飞安全指数和降落安全指数，将所述训练集分别输入所述第一卷积神经网络和第二卷积神经网络，分别训练至损失函数最小，得到训练好的起飞安全指数计算模型和训练好的降落安全指数计算模型。输入的数组可以为一维数组，也可以构建为多维数组。卷积神经网络的示意图可以参见图4。

综上所述，本发明通过船舶状态的检测和无人机状态的检测，可以准确判断无人机当前状态适合飞行还是适合停放，保障无人机的飞行和使用安全；在无人机的不同状态下，对不同的数据设定不同的权重，以实现最大程度减少模型的使用的基础上提高无人机对于不同场景的适应能力；通过对无人机飞行下一阶段的状态预测，保障无人机在接下来一段时间内的飞行安全。

在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (10)

1.一种海上无人机的远程控制系统，其特征在于，所述系统包括：

船舶姿态检测模块，用于检测配置有起降平台的船舶的运行姿态；

船舶环境检测模块，用于检测配置有起降平台的船舶处的天气信息；

船舶容量检测模块，用于检测船舶的起降平台当前停放的无人机数量；

无人机姿态检测模块，用于检测无人机的飞行姿态；

无人机环境检测模块，用于检测无人机周围的天气信息；

无人机状态检测模块，用于检测无人机的电量和无人机的故障信息；

飞行安全指数计算模块，用于将无人机的飞行姿态、周围的天气信息、电量和无人机的故障信息输入训练好的飞行安全指数计算模型，得到输出的飞行安全指数；

起降安全指数计算模块，用于将配置有起降平台的船舶的运行姿态、船舶处的天气信息和起降平台当前停放的无人机数量分别输入训练好的起飞安全指数计算模型和训练好的降落安全指数计算模型，分别得到所述起飞安全指数计算模型输出的起飞安全指数和所述降落安全指数计算模型输出的降落安全指数；

无人机控制模块，用于判断当前无人机的状态，如果当前无人机正处于飞行状态，则获取无人机的飞行安全指数和降落安全指数，如果所述无人机的飞行安全指数和降落安全指数满足预设的无人机降落条件，则控制所述无人机降落在所述起降平台上，如果当前无人机正处于停放状态，则获取无人机停放的船舶的起飞安全指数，如果所述起飞安全指数满足预设的无人机起飞条件，则控制所述无人机从所述起降平台上起飞。

2.根据权利要求1所述的海上无人机的远程控制系统，其特征在于，所述船舶姿态检测模块获取设置于所述起降平台处的三轴加速度计和三轴陀螺仪的检测数据，根据所述起降平台处的三轴加速度计和三轴陀螺仪的检测数据计算得到船舶在三个轴线方向上的加速度a1，a2，a3。

3.根据权利要求2所述的海上无人机的远程控制系统，其特征在于，所述船舶环境检测模块将所述船舶的定位数据发送至云端服务器，从所述云端服务器查询船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1，所述船舶环境检测模块还获取设置于所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2。

4.根据权利要求3所述的海上无人机的远程控制系统，其特征在于，所述起降安全指数计算模块将所述船舶在三个轴线方向上的加速度a1，a2，a3，所述船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1以及所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2输入所述训练好的起飞安全指数计算模型之前，增加所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2的权重，然后将加权后的数据输入所述训练好的起飞安全指数计算模型；

起降安全指数计算模块将所述船舶在三个轴线方向上的加速度a1，a2，a3，所述船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1以及所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2和雨量计的检测数据y2输入所述训练好的降落安全指数计算模型之前，增加所述船舶当前位置在未来预设时间段内的风速v1、风向d1和雷雨等级y1以及所述起降平台处的风速计的检测数据v2、风向仪的检测数据d2的权重，然后将加权后的数据输入所述训练好的降落安全指数计算模型。

5.根据权利要求1所述的海上无人机的远程控制系统，其特征在于，所述无人机姿态检测模块获取设置于所述无人机中的三轴加速度计和三轴陀螺仪的检测数据，计算得到无人机在三个轴线方向上的加速度b1，b2，b3。

6.根据权利要求5所述的海上无人机的远程控制系统，其特征在于，所述无人机环境检测模块将所述无人机的定位数据发送至云端服务器，从所述云端服务器查询无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3；

所述无人机环境检测模块获取无人机的飞行方向和飞行速度，预测所述无人机在未来预设时间段后达到的位置，将预测的位置发送至云端服务器，从所述云端服务器获取在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4。

7.根据权利要求1所述的海上无人机的远程控制系统，其特征在于，所述飞行安全指数计算模块将所述无人机的飞行姿态、周围的天气信息、电量和无人机的故障信息输入训练好的飞行安全指数计算模型时，首先判断所述电量是否大于预设电量阈值且无人机当前无故障，如果是，则所述飞行安全指数计算模块提高在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4的权重，然后将无人机在三个轴线方向上的加速度b1，b2，b3、无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3，在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4以及无人机的电量数据输入至所述飞行安全指数计算模型；

所述电量小于预设电量阈值或无人机当前出现故障时，提高无人机在三个轴线方向上的加速度b1，b2，b3，无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3的权重，然后将无人机在三个轴线方向上的加速度b1，b2，b3、无人机当前位置的风速计的检测数据v3、风向仪的检测数据d3和雨量计的检测数据y3在未来预设时间段内预测的位置处的风速v4、风向d4和雷雨等级y4、无人机的电量数据和无人机的故障等级输入至所述飞行安全指数计算模型。

8.根据权利要求1所述的海上无人机的远程控制系统，其特征在于，所述系统还包括：

飞行安全指数计算模型训练模块，用于构建卷积神经网络，所述卷积神经网络包括三个卷积层、三个池化层、全连接层和softmax函数层，配置训练集中的多个数组，各个数组中每一个元素分别表示一无人机对应的属性值，并为各个数组标记飞行安全指数，将训练集输入至所述卷积神经网络，训练至损失函数最小，得到训练好的飞行安全指数计算模型。

9.根据权利要求1所述的海上无人机的远程控制系统，其特征在于，所述系统还包括：

起降安全指数计算模型训练模块，用于分别构建第一卷积神经网络和第二卷积神经网络，所述第一卷积神经网络和第二卷积神经网络分别包括三个卷积层、三个池化层、全连接层和softmax函数层，配置训练集中的多个数组，各个数组中每一个元素分别表示一船舶对应的属性值，并为各个数组标记起飞安全指数和降落安全指数，将所述训练集分别输入所述第一卷积神经网络和第二卷积神经网络，分别训练至损失函数最小，得到训练好的起飞安全指数计算模型和训练好的降落安全指数计算模型。

10.一种海上无人机的远程控制方法，其特征在于，采用权利要求1至9中任一项所述的海上无人机的远程控制系统，所述方法包括如下步骤：

检测配置有起降平台的船舶的运行姿态；

检测配置有起降平台的船舶处的天气信息；

检测船舶的起降平台当前停放的无人机数量；

检测无人机的飞行姿态；

检测无人机周围的天气信息；

检测无人机的电量和无人机的故障信息；

将无人机的飞行姿态、周围的天气信息、电量和无人机的故障信息输入训练好的飞行安全指数计算模型，得到输出的飞行安全指数；

将配置有起降平台的船舶的运行姿态、船舶处的天气信息和起降平台当前停放的无人机数量分别输入训练好的起飞安全指数计算模型和训练好的降落安全指数计算模型，分别得到所述起飞安全指数计算模型输出的起飞安全指数和所述降落安全指数计算模型输出的降落安全指数；

判断当前无人机的状态，如果当前无人机正处于飞行状态，则获取无人机的飞行安全指数和降落安全指数，如果所述无人机的飞行安全指数和降落安全指数满足预设的无人机降落条件，则控制所述无人机降落在所述起降平台上，如果当前无人机正处于停放状态，则获取无人机停放的船舶的起飞安全指数，如果所述起飞安全指数满足预设的无人机起飞条件，则控制所述无人机从所述起降平台上起飞。