一种无人机通信信号丢失后带动力运动轨迹循迹的方法

技术领域

本发明涉及无人机技术领域，特别是涉及一种无人机通信信号丢失后带动力运动轨迹循迹的方法。

背景技术

随着技术的发展，无人机的应用越来越广泛，但是现有的反无人技术一般是对无人机无线电信号的探测和识别，以及基于各类电磁对抗技术对无人机反制，市面常见的技术有雷达、无线电、光学、协议破解等，一般来说，没有考虑到无人机迫降的次生灾害，无人机被干扰后，会随风漂移并降落，此时无人机旋翼会对地面目标造成严重的次生灾害，因此，需要针对不同的场景采取不同的干扰方式，因此，设计一种无人机通信信号丢失后带动力运动轨迹循迹的方法是十分有必要的。

发明内容

本发明的目的是提供一种无人机通信信号丢失后带动力运动轨迹循迹的方法，能够实现无人机运动轨迹的循迹，降低了降落的无人机的搜寻难度。

为实现上述目的，本发明提供了如下方案：

一种无人机通信信号丢失后带动力运动轨迹循迹的方法，包括如下步骤：

步骤1：获取无人机目标，并对其进行AI分析，识别确认无人机的型号；

步骤2：利用无人机机型数据库，根据无人机的型号，进行特征匹配，获取无人机的特征参数；

步骤3：通过人工智能算法判断无人机被干扰后的应急反应、姿态以及是否会造成失控；

步骤4：若无人机未失控，则获取无人机目标实时特征，若无人机失控，则获取无人机目标实时特征、实时气象特征、实时地理环境特征及重力加速度，根据其计算出无人机的落点位置；

步骤5：通过卡尔曼滤波算法，对无人机落点位置进行修正，并计算无人机的降落轨迹，其中，在无人机落地前，持续实时跟踪无人机目标状态，并重复步骤2-步骤5，直至无人机落地；

步骤6：无人机落地后，根据误差系数划定降落范围，并输出降落轨迹点范围。

可选的，步骤1中，获取无人机目标，并对其进行AI分析，识别确认无人机的型号，具体为：

通过无线电、光电设备捕获无人机目标，并对无人机目标进行AI分析，识别确认无人机的型号。

可选的，步骤2中，利用无人机机型数据库，根据无人机的型号，进行特征匹配，获取无人机的特征参数，具体为：

建立无人机机型数据库，根据无人机的型号在无人机机型数据库中进行特征匹配，获取与型号相对应的无人机的参数，其中，无人机的特征参数包括重量参数、防炸机能力参数、无人机响应时间参数、无人机下降速度参数及返航速度参数。

可选的，步骤3中，通过人工智能算法判断无人机被干扰后的应急反应、姿态以及是否会造成失控，具体为：

根据无人机的特征参数通过BP网络判断无人机被干扰后的应急反应、姿态以及是否会造成失控，其中，若无人机未设置自我保护机制，则干扰后会造成失控，若无人机设置有自我保护机制，则干扰后不会造成失控。

可选的，步骤4中，若无人机未失控，则获取无人机目标实时特征，具体为：

若无人机未失控，则获取无人机目标实时特征，包括无人机实时位置信息及无人机实时高度信息。

可选的，步骤4中，若无人机失控，则获取无人机目标实时特征、实时气象特征、实时地理环境特征及重力加速度，根据其计算出无人机落点位置，具体为：

若无人机失控，则获取无人机目标实时特征、实时气象特征、实时地理环境特征及重力加速度，其中，无人机目标实时特征包括无人机实时位置信息及无人机实时高度信息，实时气象特征包括风力信息、风向信息及空气密度，实时地理环境特征为海拔高度，获取无人机此时的地理坐标，根据地理坐标计算无人机此时位置的重力加速度g，计算空气密度ρ

ρ

绝对温度＝摄氏温度+273.15

计算风速V

式中，h

计算空气阻力系数C

计算空气作用力F

式中，ρ

计算无人机受风力产生的加速度g

计算到达最大速度的时间t为：

最终计算得到降落时间及水平位移。

可选的，步骤5中，通过卡尔曼滤波算法，对无人机落点位置进行修正，具体为：

根据无人机的实时高度信息、速度、水平位移、风力信息及风向信息，通过卡尔曼滤波算法去除噪点数据，对无人机落点位置进行修正。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的无人机通信信号丢失后带动力运动轨迹循迹的方法，该方法包括获取无人机目标，并对其进行AI分析，识别确认无人机的型号及特征参数，利用无人机机型数据库，根据无人机的型号及特征参数，进行特征匹配，通过人工智能算法判断无人机被干扰后的应急反应、姿态以及是否会造成失控，若无人机未失控，则获取无人机目标实时特征，若无人机失控，则获取无人机目标实时特征、实时气象特征、实时地理环境特征及重力加速度，根据其计算出无人机的落点位置，通过卡尔曼滤波算法，对无人机落点位置进行修正，并计算无人机的降落轨迹，其中，在无人机落地前，持续实时跟踪无人机目标状态，并重复上述步骤，直至无人机落地，无人机落地后，根据误差系数划定降落范围，并输出降落轨迹点范围；该方法能够缩小无人机搜索范围，有助于精确查找无人机通信信号丢失降落后的无人机。

附图说明

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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例无人机通信信号丢失后带动力运动轨迹循迹的方法流程示意图；

图2为计算落地时间的第一种情况示意图；

图3为计算落地时间的第二种情况示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种无人机通信信号丢失后带动力运动轨迹循迹的方法，能够减少网络训练周期，能够加速网络收敛。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

无人机干扰设备对无人机发出干扰信号后，尤其是无人机导航信号被干扰后，无人机会失去定位能力，在降落的过程中，会因为空中风力较大而随风移动(因仍存在一定动力，会产生相对地面的位移，而非自由落体运动)，移动的方向和速度会根据风力、风向大小变化。

如图1所示，本发明实施例提供的无人机通信信号丢失后带动力运动轨迹循迹的方法，包括如下步骤：

步骤1：获取无人机目标，并对其进行AI分析，识别确认无人机的型号；

步骤2：利用无人机机型数据库，根据无人机的型号，进行特征匹配，获取无人机的特征参数；

步骤3：通过人工智能算法判断无人机被干扰后的应急反应、姿态以及是否会造成失控；

步骤4：若无人机未失控，则获取无人机目标实时特征，若无人机失控，则获取无人机目标实时特征、实时气象特征、实时地理环境特征及重力加速度，根据其计算出无人机的落点位置；

步骤5：通过卡尔曼滤波算法，对无人机落点位置进行修正，并计算无人机的降落轨迹，其中，在无人机落地前，持续实时跟踪无人机目标状态，并重复步骤2-步骤5，直至无人机落地；

步骤6：无人机落地后，根据误差系数划定降落范围，并输出降落轨迹点范围。

步骤1中，获取无人机目标，并对其进行AI分析，识别确认无人机的型号，具体为：

通过无线电、光电设备捕获无人机目标，并对无人机目标进行AI分析，识别确认无人机的型号。

步骤2中，利用无人机机型数据库，根据无人机的型号，进行特征匹配，获取无人机的特征参数，具体为：

建立无人机机型数据库，根据无人机的型号在无人机机型数据库中进行特征匹配，获取与型号相对应的无人机的参数，其中，无人机的特征参数包括重量参数、防炸机能力参数、无人机响应时间参数、无人机下降速度参数及返航速度参数。

例如：通过型号查询无人机机型数据为：

重量m＝1380g，最大下降速度v

步骤3中，通过人工智能算法判断无人机被干扰后的应急反应、姿态以及是否会造成失控，具体为：

根据无人机的特征参数通过BP网络判断无人机被干扰后的应急反应、姿态以及是否会造成失控，其中，若无人机未设置自我保护机制，则干扰后会造成失控，若无人机设置有自我保护机制，则干扰后不会造成失控。

每种无人机的飞控技术不尽相同，比如有些无人机被干扰后，会出现直接失去动力从空中掉落，有些无人机有定高功能，不会失去动力，但会失去控制和定位，会在空中的某个高度随风移动而缓慢降落，应急反应、姿态，就是指通过无人机的参数来判断该型号无人机是否会造成失控情况。

步骤4中，若无人机未失控，则获取无人机目标实时特征，具体为：

若无人机未失控，则获取无人机目标实时特征，包括无人机实时位置信息及无人机实时高度信息。

步骤4中，若无人机失控，则获取无人机目标实时特征、实时气象特征、实时地理环境特征及重力加速度，根据其计算出无人机落点位置，具体为：

若无人机失控，则获取无人机目标实时特征、实时气象特征、实时地理环境特征及重力加速度，其中，无人机目标实时特征包括无人机实时位置信息及无人机实时高度信息，实时气象特征包括风力信息、风向信息及空气密度，实时地理环境特征为海拔高度，获取无人机此时的地理坐标，根据地理坐标计算无人机此时位置的重力加速度g，计算空气密度ρ

ρ

绝对温度＝摄氏温度+273.15

城市梯度风:在大气边界层中，越接近于地面风速越小，只有大约在300m～500m以上的高度，风速才不受地面粗糙度的影响而可以自由流动，形成梯度风。气象台站记录的风速一般是指在地面上10m～15m处测得的风速。风速和高度的关系可依据经验公式确定，计算风速V

式中，h

计算空气阻力系数C

考虑到风速作用在物体身上会产生作用力，根据动量定理可知：

F

其中，F

m

计算空气作用力F

式中，ρ

式中，C

无人机在空中静止悬停，初始时无水平速度，考虑风相对无人机运动时，产生的作用力对形成无人机移动加速度，产生水平方向的加速度，计算无人机受风力产生的加速度g

计算到达最大速度的时间t为：

由于无人机受到风的作用力，使无人机向风的方向产生移动，在风的作用力下，无人机能达到的最大速度v

如图2及图3所示，假设无人机初始高度H为120m，假设垂直方法最大速度为V

其中，第一种情况：

H＝0.5g

t

t

T

式中，v

第二种情况：

H＝0.5g

t

t

T

式中，v

计算无人机的水平位移为：

计算出降落时间T，T和t存在两种情况，水平位移为S：

第一种情况(T≤t)

S

第二种情况(T＞t)

S

步骤5中，通过卡尔曼滤波算法，对无人机落点位置进行修正，具体为：

根据无人机的实时高度信息、速度、水平位移、风力信息及风向信息，通过卡尔曼滤波算法去除噪点数据，对无人机落点位置进行修正；

根据上述公式，得到位移与时间的关系：

/>

其中，T

式中，t

无人机落地后，根据误差系数划定降落范围，并输出降落轨迹点范围，具体为：

根据无人机原来经纬度坐标，水平位移了多少，计算降落轨迹点的经纬度坐标，根据卡尔曼滤波的离散边界数据，根据上文的区间范围，计算无人机通信信号中断后带动力运动轨迹循迹矩阵；

设ΔH作为位移偏差量，得到：

式中，t

计算位移和时间的关系为：

其余偏差ΔS

得到偏差区域ΔS表达区域，即为可能降落的不规则区域。

本发明提供的无人机通信信号丢失后带动力运动轨迹循迹的方法，该方法包括获取无人机目标，并对其进行AI分析，识别确认无人机的型号及特征参数，利用无人机机型数据库，根据无人机的型号及特征参数，进行特征匹配，通过人工智能算法判断无人机被干扰后的应急反应、姿态以及是否会造成失控，若无人机未失控，则获取无人机目标实时特征，若无人机失控，则获取无人机目标实时特征、实时气象特征、实时地理环境特征及重力加速度，根据其计算出无人机的落点位置，通过卡尔曼滤波算法，对无人机落点位置进行修正，并计算无人机的降落轨迹，其中，在无人机落地前，持续实时跟踪无人机目标状态，并重复上述步骤，直至无人机落地，无人机落地后，根据误差系数划定降落范围，并输出降落轨迹点范围；该方法能够缩小无人机搜索范围，有助于精确查找无人机通信信号丢失降落后的无人机。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。