發(fā)布時間：2023-10-15 19:14

　　傳統(tǒng)的四旋翼無人機控制模型基于四旋翼無人機空氣動力學模型,四旋翼無人機動力學模型具有耦合度高、非線性關(guān)系的特性,精確得到無人機動力學模型系數(shù)十分困難。因四旋翼無人機穩(wěn)定性高、機動性強廣泛應用于民用各領(lǐng)域,無人機個體與集群需要完成的任務日益復雜,需要準確控制無人機飛行以完成任務,傳統(tǒng)空氣動力學模型難以滿足需求。研究精度較高的控制模型對于四旋翼無人機飛行控制具有重大價值。針對無人機動力學模型無法滿足準確控制無人機飛行的問題,本文提出基于機器學習的無人機機動能力模型,通過數(shù)據(jù)采集與自動控制平臺的搭建,建立了無人機機動能力數(shù)據(jù)集。使用XGBoost與RNN-LSTM回歸模型基于機動能力數(shù)據(jù)集訓練得到機動能力模型,通過自動控制技術(shù)進行實際飛行試驗,驗證了機動能力模型可用于控制無人機準確飛行。具體完成內(nèi)容如下:1)優(yōu)化了傳統(tǒng)四旋翼無人機數(shù)據(jù)采集平臺,添加了無人機一鍵起飛降落功能,平臺兼?zhèn)錈o人機自動飛行控制與數(shù)據(jù)采集功能。該平臺分為數(shù)據(jù)顯示界面、數(shù)據(jù)通信模塊、飛行策略實現(xiàn)模塊三個部分。使用該平臺建立無人機機動能力數(shù)據(jù)集。2)提出了基于XGBoost回歸模型建立無人機機動能力模型,該模型相較于其他機器...

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 無人機發(fā)展史
        1.2.2 無人機飛行控制研究現(xiàn)狀
        1.2.3 機器學習發(fā)展史
        1.2.4 無人機領(lǐng)域機器學習應用現(xiàn)狀
    1.3 本課題的創(chuàng)新點和發(fā)展趨勢
    1.4 本文的研究內(nèi)容和組織結(jié)構(gòu)
2 四旋翼無人機飛行控制原理
    2.1 四旋翼無人機機械機構(gòu)及飛行原理
    2.2 四旋翼無人機動力學模型分析
        2.2.1 四旋翼無人機平動動力學模型
        2.2.2 四旋翼無人機轉(zhuǎn)動動力學模型
    2.3 四旋翼無人機實際控制分析
        2.3.1 四旋翼無人機控制方式
        2.3.2 四旋翼無人機控制指令轉(zhuǎn)換模型
    2.4 本章小結(jié)
3 無人機機動能力數(shù)據(jù)集的構(gòu)建
    3.1 無人機數(shù)據(jù)采集與自動控制平臺的改進
        3.1.1 無人機平臺界面
        3.1.2 自動控制功能
        3.1.3 無人機定位技術(shù)
    3.2 無人機數(shù)據(jù)采集與處理
        3.2.1 數(shù)據(jù)濾波
        3.2.2 數(shù)據(jù)分析
    3.3 無人機數(shù)據(jù)集的標準化與構(gòu)建
        3.3.1 數(shù)據(jù)標準化
        3.3.2 數(shù)據(jù)集構(gòu)建
    3.4 本章小結(jié)
4 基于機器學習無人機機動能力模型的構(gòu)建
    4.1 回歸預測模型分析
        4.1.1 基礎(chǔ)線性回歸模型
        4.1.2 BP網(wǎng)絡(luò)回歸模型
        4.1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)回歸模型
        4.1.4 XGBoost回歸模型
    4.2 XGBoost與 RNN-LSTM模型訓練結(jié)果對比
        4.2.1 實驗環(huán)境
        4.2.2 實驗流程
        4.2.3 RNN-LSTM模型實驗結(jié)果
        4.2.4 XGBoost模型實驗結(jié)果
    4.3 測試集預測結(jié)果對比分析
    4.4 本章小結(jié)
5 無人機機動能力模型的飛行試驗驗證
    5.1 飛行試驗目的
    5.2 不同回歸模型的飛行精度對比
    5.3 機動能力模型飛行可靠性驗證
    5.4 本章小結(jié)
6 全文總結(jié)與展望
    6.1 全文總結(jié)
    6.2 展望
參考文獻
致謝
附錄



本文編號：3854506