CN119396015B 一种无人机中电机的控制方法 （雷文斯（深圳）科技有限公司）

(19)国家知识产权局(12)发明专利公司44407专利代理师肖金艳本发明公开了一种无人机中电机的控制方加速度，并判断无人机是否处于气流扰动状态。算电机PWM驱动信号的修正值，并将修正后的驱速反馈信息来动态调整深度学习模型的权重参获取无人机飞行过程中的姿态数据、气压高度数据以及电机的当前转速数据，其中，所述姿态数据包括俯仰角、横滚角和偏航角基于所述姿态数据，计算无人机的俯仰角加速度、横滚角加速度和偏航角加速度，并根据预设阈值判断当前无人机是否处于气流扰动状态当判定处于气流扰动状态时，基于预先训练的深度强化学习模型计算电机的目标转速补偿值，所述深度强化学习模型的输入参数包括：俯仰角加速度、横滚角加速度、偏航角加速度、气压高度变化率以及电机当前转速根据所述目标转速补偿值，结合预设的模糊控制规则，计算得到电机的PWM驱动信号的修正值将修正后的PWM驱动信号施加于电机，并实时采集电机转速反馈信息，根据所述反馈信息动态调整深度强化学习模型的权重参数2获取无人机飞行过程中的姿态数据、气压高度数据以及电机的当前转速数据，其中，所述姿态数据包括俯仰角、横滚角和偏航角；基于所述姿态数据，计算无人机的俯仰角加速度、横滚角加速度和偏航角加速度，并根据预设阈值判断当前无人机是否处于气流扰动状态；当判定处于气流扰动状态时，基于预先训练的深度学习模型计算电机的目标转速补偿高度变化率以及电机当前转速；根据所述目标转速补偿值，结合预设的模糊控制规则，计算得到电机的PWM驱动信号的修正值；将修正后的PWM驱动信号施加于电机，并实时采集电机转速反馈信息，根据所述反馈信息动态调整深度学习模型的权重参数。2.根据权利要求1所述的无人机中电机的控制方法，其特征在于，所述获取无人机飞行过程中的姿态数据、气压高度数据以及电机的当前转速数据，包括：通过无人机配备的惯性测量单元实时采集俯仰角、横滚角和偏航角，其中，惯性测量单元通过加速度计和陀螺仪测量线性加速度和角速度并利用数据融合算法生成稳定的姿态通过气压计获取环境气压并结合实时温度数据进行补偿修正以计算气压高度，同时基于飞行控制器的初始标定值实时调整气压高度数据以适应不同飞行环境；通过电机的霍尔传感器或光学编码器采集电机的当前转速数据，并对采集的转速信号进行滤波和插值处理以增强数据的连续性和准确性；将采集的数据通过时间戳对齐方法进行同步整合，生成姿态、高度和转速的联合状态3.根据权利要求1所述的无人机中电机的控制方法，其特征在于，所述基于所述姿态数通过惯性测量单元实时采集俯仰角、横滚角和偏航角数据，分别形成时间序列数据，其中每个时间点的姿态角数据由传感器采样得到，并按照时间顺序存储在飞行控制系统的缓基于平滑处理后的姿态角时间序列数据，通过一次差分方法计算俯仰角速度、横滚角速度和偏航角速度，其中，每一时间步的角速度由当前时间步与前一时间步之间的姿态角变化值除以采样时间间隔得到；利用计算得到的角速度序列，通过二次差分方法计算俯仰角加速度、横滚角加速度和偏航角加速度，其中，每一时间步的角加速度由当前时间步与前一时间步之间的角速度变化值除以采样时间间隔得到。4.根据权利要求1所述的无人机中电机的控制方法，其特征在于，所述根据预设阈值判断当前无人机是否处于气流扰动状态，包括：获取俯仰角加速度αB、横滚角加速度αφ、偏航角加速度αψ以及气压高度变化3对于俯仰角加速度αe、横滚角加速度αφ、偏航角加速度αψ进行归一化处理，获得归一化俯仰角加速度âe、归一化横滚角加速度âφ以及归一化偏航角加速度âψ;根据如下的公式1,计算扰动状态指标D:将计算得到的扰动状态指标D与预设阈值Ta进行比较，若满足D>Ta,则判所述第一隐层用于接收所述输入层提供的标准化的特征数据对于接收到的俯仰角加速度、横滚角加速度和偏航角加速度的标准化特征数据进行处理；所述第二隐层用于接收第一隐层输出的局部特征和时序特征，并将其与气压高度变化所述第三隐层用于接收所述融合后的特征向量，通过一个深层全连接网络处理融合后所述输出层接收来自第三隐层的初步预测，并结合历史飞行数据进行校正，生成目标4隐层输出的第j个融合特征；δjk为第j个融合特征Fj和第k个融合特征Fk的交互权重系一子网络的卷积核大小和数量根据无人机的飞行特性确定；同时，通过增加卷通过深度学习模型输出的目标转速补偿值以及当前电机转速5将所述转速误差和误差变化率作为模糊控制规则的输入参数，基于预设的模糊隶属函数对输入参数进行模糊化处理，其中，模糊隶属函数根据电机响应的实验数据和飞行任务的实际需求预先设计，并划分为多个模糊集合；根据模糊控制规则库对模糊化后的输入进行模糊推理；推理过程中，采用最大-最小合成法或加权平均法对多条规则的结果进行综合处理；将模糊推理结果进行解模糊化处理，生成精确的PWM修正值，其中，解模糊化方法采用前状态下需要对电机PWM驱动信号的占空比调整量。10.根据权利要求1所述的无人机中电机的控制方法，其特征在于，所述将修正后的PWM驱动信号施加于电机，并实时采集电机转速反馈信息，根据所述反馈信息动态调整深度学将计算得到的修正后的PWM驱动信号通过无人机的电机控制单元施加到电机上，以调整电机的实际转速；通过安装在电机上的转速传感器，实时采集电机的当前转速反馈信息；计算实际电机转速反馈值与目标转速补偿值之间的误差，并将误差作为深度学习模型的即时奖励信号，通过强化学习算法动态调整模型的权重参数。6技术领域[0001]本发明涉及电机控制技术领域，尤其涉及一种无人机中电机的控制方法。背景技术[0002]目前，无人机在实际飞行过程中普遍采用PID控制算法来实现对电机的转速控制。从而调节电机转速以维持无人机的飞行姿态。同时，部分改进的方案引入了自适应控制算法，通过实时调整控制参数来提升控制效果。[0003]然而，现有的控制方法在面对复杂气流环境时存在明显不足。首先，传统PID控制方法的参数较为固定，难以快速响应突发的气流扰动；其次，虽然自适应控制算法在一定程度上改善了控制效果，但由于缺乏对气流扰动的准确识别和预测能力，其适应性和鲁棒性仍显不足；最后，现有技术普遍忽视了气压变化对飞行稳定性的影响，导致在高空或气压剧变环境下的控制效果不理想。[0004]因此，亟需提供一种新的无人机电机控制方法。发明内容[0005]本申请提供一种无人机中电机的控制方法，以提升无人机在复杂气流环境下的飞行稳定性。[0007]获取无人机飞行过程中的姿态数据、气压高度数据以及电机的当前转速数据，其[0008]基于所述姿态数据，计算无人机的俯仰角加速度、横滚角加速度和偏航角加速度，并根据预设阈值判断当前无人机是否处于气流扰动状态；当判定处于气流扰动状态时，基于预先训练的深度学习模型计算电机的目标转速补偿值，所述深度学习模型的输入参数包[0009]根据所述目标转速补偿值，结合预设的模糊控制规则，计算得到电机的PWM驱动信[0010]将修正后的PWM驱动信号施加于电机，并实时采集电机转速反馈信息，根据所述反馈信息动态调整深度学习模型的权重参数。[0011]更进一步地，所述获取无人机飞行过程中的姿态数据、气压高度数据以及电机的[0012]通过无人机配备的惯性测量单元实时采集俯仰角、横滚角和偏航角，其中，惯性测量单元通过加速度计和陀螺仪测量线性加速度和角速度并利用数据融合算法生成稳定的姿态数据；[0013]通过气压计获取环境气压并结合实时温度数据进行补偿修正以计算气压高度，同时基于飞行控制器的初始标定值实时调整气压高度数据以适应不同飞行环境；7[0021]获取俯仰角加速度αe、横滚角加速度αφ、偏航角加速度αψ以及气压高度变化率△h(t);[0022]对于俯仰角加速度αθ、横滚角加速度αφ、偏航角加速度αψ进行归一化处理，获得归一化俯仰角加速度âe、归一化横滚角加速度âφ以及归一化偏航角加速度âψ; [0026]将计算得到的扰动状态指标D与预设阈值Ta进行比较，若满足D>Ta,加速度和偏航角加速度的标准化特征数据进行特征提取，生成描述扰动特性的局部特征；8合后的特征向量，具体包括对融合后的特征向量进行高维非线性变换，以生成目标转[0037]其中，W;为与第i类特征相关的权重参数矩阵；k₁为与飞行模式无关的静态调增强权重；Fi为第二隐层输出的第i个融合特征；F是与飞行任务和环境相关的系数；δjk为第j个融合特征Fj和第k9[0046]更进一步地，所述根据所述目标转速补偿值，结合预设的模糊控制规则，计算得到[0047]通过深度学习模型输出的目标转速补偿值以及当前电机转速反馈值，计算转速误差和误差变化率，其中转速误差为目标转速补偿值与当前反馈值之差，误差变化率为连续时间步之间转速误差的变化量；[0048]将所述转速误差和误差变化率作为模糊控制规则的输入参数，基于预设的模糊隶属函数对输入参数进行模糊化处理，其中，模糊隶属函数根据电机响应的实验数据和飞行任务的实际需求预先设计，并划分为多个模糊集合；[0049]根据模糊控制规则库对模糊化后的输入进行模糊推理；推理过程中，采用最大-最小合成法或加权平均法对多条规则的结果进行综合处理，以确保控制逻辑的准确性和稳定[0050]将模糊推理结果进行解模糊化处理，生成精确的PWM修正值，其中，解模糊化方法示当前状态下需要对电机PWM驱动信号的占空比调整量。[0051]更进一步地，所述将修正后的PWM驱动信号施加于电机，并实时采集电机转速反馈信息，根据所述反馈信息动态调整深度学习模型的权重参数，包括：[0052]将计算得到的修正后的PWM驱动信号通过无人机的电机控制单元施加到电机上，以调整电机的实际转速；[0053]通过安装在电机上的转速传感器，实时采集电机的当前转速反馈信息；[0054]计算实际电机转速反馈值与目标转速补偿值之间的误差，并将误差作为深度学习模型的即时奖励信号，通过强化学习算法动态调整模型的权重参数。[0055]本申请提供的技术方案的有益效果包括：[0056](1)通过引入深度学习模型，结合多维度的输入参数(包括姿态加速度、气压高度变化率等),能够准确预测和识别复杂气流环境下的扰动状态，提高了无人机在恶劣气象条件下的环境感知能力。(2)采用模糊控制规则对PWM驱动信号进行修正，避免了中参数固定的局限性，使得控制响应更加平滑，有效减少了电机的剧烈转速波动，延长了电机使用寿命。(3)通过实时采集电机转速反馈信息并动态调整深度学习模型的权重参数，实现了控制策略的自适应优化，提高了系统的鲁棒性，使无人机能够更好地应对不同强度的气流扰动。(4)将气压高度数据作为控制参数之一，考虑了高空环境对电机性能的影响，提升了无人机在不同海拔高度下的适应性，扩大了无人机的实际应用场景。附图说明[0057]图1是本申请第一实施例提供的一种无人机中电机的控制方法的流程图。具体实施方式[0058]在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。[0059]本申请第一实施例提供一种无人机中电机的控制方法。请参看图1,该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种无人机中电机的控制方法进行详细说明。[0060]步骤S101:获取无人机飞行过程中的姿态数据、气压高度数据以及电机的当前转[0061]在步骤S101中，无人机首先通过集成在飞行控制系统中的多个传感器模块获取飞行过程中的多种数据。这些传感器模块包括但不限于：用于测量姿态数据的惯性测量单元(IMU)、用于检测气压高度的气压计以及用于实时监测电机转速的编码器或霍尔传感器等。[0062]姿态数据的获取通过IMU实现，其中IMU通常包含加速度计和陀螺仪，用于分别测量无人机的线性加速度和角速度。通过IMU的内部算法，利用加速度计和陀螺仪的融合，能够计算出无人机的姿态角信息，包括俯仰角、横滚角和偏航角。这些姿态数据通常通过卡尔曼滤波器或其他数据融合算法进行进一步处理，以提高其精度和抗噪性能。[0063]气压高度数据的获取依赖于无人机上安装的气压计。气压计通过检测环境大气压的变化来推算当前飞行高度。通常，气压计的输出值会经过校准与滤波处理，以消除温度、气流波动等外界因素带来的误差，并输出一个稳定的气压高度值。[0064]电机的当前转速数据可以通过安装在电机上的霍尔传感器或光学编码器获取。霍尔传感器通过检测电机内部的磁场变化计算转速，而光学编码器则通过光信号的编码与解码获取转速信息。这些转速数据可能包含一定的抖动或噪声，因此需要经过滤波和平均处[0065]上述获取到的姿态数据、气压高度数据和电机当前转速数据通过无人机的飞行控制单元中的通信总线传输至数据处理模块。该模块通常基于嵌入式计算平台，使用高速数据接口将多源数据整合，确保各数据采集通道的同步性和数据的时效性。[0066]在步骤S101中，关键点在于传感器的准确性和数据的实时性。这需要通过合理选择高精度的传感器组件，并对采集的数据进行适当的预处理，确保姿态数据、气压高度数据以及电机转速数据的精确采集与输出。[0067]更进一步地，所述获取无人机飞行过程中的姿态数据、气压高度数据以及电机的[0068]通过无人机配备的惯性测量单元实时采集俯仰角、横滚角和偏航角，其中，惯性测量单元通过加速度计和陀螺仪测量线性加速度和角速度并利用数据融合算法生成稳定的[0069]通过气压计获取环境气压并结合实时温度数据进行补偿修正以计算气压高度，同时基于飞行控制器的初始标定值实时调整气压高度数据以适应不同飞行环境；[0070]通过电机的霍尔传感器或光学编码器采集电机的当前转速数据，并对采集的转速信号进行滤波和插值处理以增强数据的连续性和准确性；[0071]将采集的数据通过时间戳对齐方法进行同步整合，生成姿态、高度和转速的联合状态向量。[0072]在本实施例中，获取无人机飞行过程中的姿态数据、气压高度数据以及电机的当前转速数据的步骤，旨在为后续的飞行控制和扰动状态判断提供精确、实时的输入。具体地，这一过程通过多种传感器和数据处理方法的协同工作实现，确保了数据的完整性和一11[0073]首先，通过无人机配备的惯性测量单元(IMU)实时采集无人机的姿态数据。惯性测量单元包括三轴加速度计和三轴陀螺仪。加速度计用于测量无人机在三维空间中的线性加速度，而陀螺仪用于测量无人机的三维角速度。为了将这些离散测量数据转换为俯仰角、横滚角和偏航角，系统采用数据融合算法，例如卡尔曼滤波或互补滤波算法。这些算法通过结合加速度计和陀螺仪的数据，对传感器噪声和漂移进行补偿，从而生成稳定且准确的姿态数据。[0074]其次，通过气压计获取环境气压值，并结合实时温度传感器数据对气压计的测量结果进行补偿修正。由于环境温度的变化可能导致气压测量的偏差，通过使用无人机内部的温度传感器，可以根据温度变化对气压数据进行校正。此外，为了将气压数据转换为气压高度，系统利用标准大气压公式或基于经验的校正曲线进行计算。同时，飞行控制器还会根据无人机的初始标定值对气压高度数据进行实时调整，以确保在不同飞行环境下的气压高度数据具有良好的适应性和准确性。这种调整对于应对剧烈的气流扰动或高度快速变化尤[0075]接下来，通过安装在电机上的霍尔传感器或光学编码器采集电机的当前转速数据。霍尔传感器通过检测电机转子内磁场的变化生成脉冲信号，而光学编码器通过读取转子上的光学编码图案获取转速数据。为提高转速数据的连续性和准确性，系统对采集到的信号进行滤波处理，例如采用低通滤波器消除高频噪声。此外，为了在高动态条件下保证信号的时间一致性，系统采用插值处理，弥补因采样率限制或信号丢失造成的数据间隙。[0076]最后，将采集的姿态数据、气压高度数据和电机转速数据通过时间戳对齐方法进行同步整合。通过给每个数据点添加精确的时间标记，确保不同传感器的数据能够以相同的时间基准进行比对和组合，从而生成包含姿态、高度和转速信息的联合状态向量。这一联合状态向量作为一个多维特征描述量，为后续的飞行控制算法和深度学习模型提供完整、准确的输入。[0077]通过结合多种传感器和数据处理方法，确保了获取的数据在实时性、准确性和一致性方面的高标准。[0078]步骤S102:基于所述姿态数据，计算无人机的俯仰角加速度、横滚角加速度和偏航角加速度，并根据预设阈值判断当前无人机是否处于气流扰动状态。[0079]在步骤S102中，基于从步骤S101中获取的姿态数据，具体包括俯仰角、横滚角和偏航角，计算无人机的俯仰角加速度、横滚角加速度和偏航角加速度。为实现这一目的，需要首先对采集的姿态数据进行时间上的连续记录和处理。具体而言，俯仰角、横滚角和偏航角是无人机在三轴坐标系下的角度描述，这些数据会随着时间不断变化。[0080]为了计算这些角度的加速度，首先需要对姿态角数据在时间维度上进行差分处理。可以通过以下方式实现：首先，在每个时间点采样姿态角值，然后利用离散时间间隔内的角度变化量计算角速度，例如，俯仰角速度可表示为当前时间点与前一个时间点的俯仰角之差除以时间间隔。同理，可计算横滚角速度和偏航角速度。[0081]接着，再通过类似的差分运算计算角加速度。例如，俯仰角加速度可以表示为俯仰角速度在连续两个时间点上的变化量除以时间间隔。同样的方法适用于横滚角加速度和偏航角加速度。此计算过程需要基于高精度的时间戳记录，以确保计算结果的精确性。[0082]计算完成后，需要对这些角加速度数据与预设的阈值进行比较，从而判断当前无人机是否处于气流扰动状态。预设的阈值可以根据实验和飞行数据经验设定，通常是一个反映正常飞行状态下加速度变化范围的界限。当某一加速度超过其对应的阈值时，可以认为无人机可能受到了气流扰动。[0083]判断过程可以通过逻辑运算实现，例如将俯仰角加速度、横滚角加速度和偏航角加速度分别与其阈值进行比较，若任一值超出阈值范围，即触发气流扰动状态的标志。进一步地，可以通过综合分析三个方向加速度的变化趋势，判断扰动是否具有明显的方向性或特定模式。[0084]整个步骤需要由无人机的飞行控制系统完成，这个系统包括姿态数据的采集模块、处理模块和扰动状态的判断模块。[0085]更进一步地，所述基于所述姿态数据，计算无人机的俯仰角加速度、横滚角加速度[0086]通过惯性测量单元实时采集俯仰角、横滚角和偏航角数据，分别形成时间序列数据，其中每个时间点的姿态角数据由传感器采样得到，并按照时间顺序存储在飞行控制系统的缓存中；[0087]基于平滑处理后的姿态角时间序列数据，通过一次差分方法计算俯仰角速度、横滚角速度和偏航角速度，其中，每一时间步的角速度由当前时间步与前一时间步之间的姿态角变化值除以采样时间间隔得到；[0088]利用计算得到的角速度序列，通过二次差分方法计算俯仰角加速度、横滚角加速度和偏航角加速度，其中，每一时间步的角加速度由当前时间步与前一时间步之间的角速度变化值除以采样时间间隔得到。[0089]在本实施例中，通过惯性测量单元采集并处理姿态数据，以实现对俯仰角加速度、横滚角加速度和偏航角加速度的计算。该过程包括数据采集、差分计算和加速度提取的多个步骤，旨在确保结果的准确性和实时性。[0090]首先，无人机的惯性测量单元会实时采集俯仰角、横滚角和偏航角的数据。这些数据由加速度计和陀螺仪协同生成，表示无人机在三维空间中的即时姿态角度。采集的姿态角数据会以时间序列的形式存储在飞行控制系统的缓存中。为了确保数据的时间连续性和顺序一致性，每个数据点都会被标记精确的时间戳。这些时间戳允许后续的计算能够正确识别数据之间的时间间隔。姿态角数据的存储不仅有助于实时处理，还为未来的动态分析和飞行状态评估提供了基础。[0091]接下来，基于缓存中的时间序列数据，通过一次差分的方法计算无人机的角速度。一阶差分的方法通过计算相邻时间步的姿态角变化值除以采样时间间隔来完成。具体而言，对于每一时间步，角速度是由当前时间步的姿态角减去上一时间步的姿态角，然后再除以两次采样之间的时间间隔。这种方法能够捕捉姿态角变化的动态趋势，并生成俯仰角速度、横滚角速度和偏航角速度的时间序列。这些角速度序列是进一步计算加速度的重要基础。为了减少由于传感器噪声引起的误差，差分之前通常会对姿态角数据进行平滑处理，例如使用滑动平均滤波器或低通滤波器，从而提高角速度计算的稳定性。[0092]在获得角速度时间序列后，利用二次差分方法计算俯仰角加速度、横滚角加速度和偏航角加速度。二阶差分方法通过计算相邻时间步的角速度变化值除以采样时间间隔来实现。具体而言，每一时间步的角加速度是由当前时间步的角速度减去上一时间步的角速[0095]获取俯仰角加速度αe、横滚角加速度αφ、偏航角加速度αψ以及气压高度变化率△h(t);[0096]对于俯仰角加速度αe、横滚角加速度αφ、偏航角加速度αψ进行归一化处理，获得归一化俯仰角加速度âe、归一化横滚角加速度φ以及归一化偏航角加速度âψ;参考值为0.2.λ4用于控制气压高度变化率的权重，参考值为0.2。[0103]将计算得到的扰动状态指标D与预设阈值Ta进行比较，若满足D>Ta,[0104]步骤S103:当判定处于气流扰动状态时，基于预先训练的深度学习模型计算电机于映射输入特征与电机目标转速补偿值之间的关系。输下的传感器数据和电机转速变化数据。这些数据被标注为模型的训练样本，其中输入是上述特征，输出是电机的目标转速补偿值。训练采用强化学习算法，比如深度确定性策略梯度(DDPG)或近端策略优化(PPO),以最小化无人机的姿态偏差或飞行能耗为目标。通过迭代优化神经网络的权重参数，最终获得一个能动态应对复杂扰动的模型。[0108]在运行时，从步骤S101和步骤S102中获取的实时数据被输入到训练好的深度学习模型中。这些数据先经过归一化处理，确保输入范围与模型训练时一致，以提高计算的准确性和鲁棒性。模型会根据输入数据推算当前的目标转速补偿值，这一值表示在气流扰动状态下为维持无人机稳定所需的电机转速调整量。[0109]目标转速补偿值的计算是一个实时性要求较高的过程，因此模型的推理效率必须经过优化，可以通过轻量化神经网络或硬件加速器(如嵌入式GPU或TPU)实现。此外，为确保模型的可靠性，可以设置异常检测机制，在输入数据异常或模型输出异常时触发备用控制策略。[0110]通过上述步骤，深度学习模型将无人机的复杂飞行状态映射为一个精确的目标转速补偿值。[0111]更进一步地，所述深度学习模型包括输入层、第一隐层、第二隐层、第三隐层以及输出层；[0112]所述输入层用于接收俯仰角加速度、横滚角加速度、偏航角加速度、气压高度变化率以及电机当前转速数据，并对接收的各项数据进行归一化处理，具体包括对不同输入数据的量纲统一化和幅值缩放，生成标准化特征数据；[0113]所述第一隐层用于接收所述输入层提供的标准化的特征数据，通过两个并行的子网络对于接收到的俯仰角加速度、横滚角加速度和偏航角加速度的标准化特征数据进行处理；其中，第一子网络采用卷积神经网络结构实现，用于对接收到的俯仰角加速度、横滚角加速度和偏航角加速度的标准化特征数据进行特征提取，生成描述扰动特性的局部特征；第二子网络采用递归神经网络结构实现，用于处理接收到的俯仰角加速度、横滚角加速度和偏航角加速度的标准化特征数据中的时间序列，捕捉动态变化特性，生成时序特征；[0114]所述第二隐层用于接收第一隐层输出的局部特征和时序特征，并将其与气压高度变化率和电机当前转速的标准化特征进行融合，生成融合后的特征向量；所述第二隐层通过全连接网络实现，并结合注意力机制对不同特征的权重进行动态分配；[0115]所述第三隐层用于接收所述融合后的特征向量，通过一个深层全连接网络处理融合后的特征向量，具体包括对融合后的特征向量进行高维非线性变换，以生成目标转速补偿值的初步预测；在融合过程中，所述第三隐层通过正则化技术减少模型的过拟合风险，同时使用激活函数提高模型对复杂非线性关系的表达能力；[0116]所述输出层接收来自第三隐层的初步预测，并结合历史飞行数据进行校正，生成目标转速补偿值。[0117]在本实施例中，通过深度学习模型的多层结构，对无人机的飞行数据进行处理和和输出层组成，各层之间相互关联，逐层优化特征信息，以确保最终输出结果的准确性和实时性。[0118]输入层首先接收来自无人机的多种实时数据，包括俯仰角加速度、横滚角加速度、模型的过拟合风险，从而提高对未知飞行场景的泛化能力。同时，激活函数(如ReLU或Swish)的引入增强了模型对非线性关系的表[0133]k₂为飞行模式相关的动态调节系数，用于根据当前飞行状响力。参考值通常为0.2,但在高扰动环境中可调整为0.5。[0140]max为历史数据中电机转速的最大值，用于衡量当前电机转该参数通过离线训练动态优化，典型初始值为0.5至1.5,根据飞行任务的需求进行调[0146]η是与飞行任务和环境相关的系数，反映飞行任务和环境的特定需求，通常在[0147]δjk为第j个融合特征Fj和第k个融合特征Fk的交互权重系数，反映特征之间的相对重要性。该参数通过模型训练确定，初始值范围一般为0.1至0.5,可以根据特定飞[0150]其中，K是根据当前扰动强度调整的增益因子决定激活函数的梯度变化范围。该参数与当前扰动强度相关，在低扰动环境中，K的值通常设置为1.0,而在高扰动环境中，可增至2.0,以增强模型对输入数据的响应灵敏度。[0151]更进一步地，所述第一隐层中的第一子网络的卷积核大小和数量根据无人机的飞行特性确定；同时，通过增加卷积核的数量提高对特征空间的覆盖能力，从而增强对复杂扰动模式的识别。[0152]在本实施例中，第一隐层的第一子网络通过卷积神经网络(CNN)结构对输入的标准化特征数据进行处理，提取与无人机飞行特性相关的局部扰动模式。在实现过程中，卷积核的设计，包括其大小和数量，直接决定了特征提取的效果与计算效率。为确保模型能够适应无人机在复杂飞行环境中的动态特性，卷积核的大小和数量根据无人机的具体飞行特性精心设置，同时通过适当增加卷积核的数量来提高模型对特征空间的覆盖能力，增强对复杂扰动模式的识别能力。[0153]卷积核的大小定义了其在输入特征图上的感受野范围，即每次卷积操作中，卷积核能够捕获的局部特征区域。为了适应无人机的快速动态变化，卷积核的大小需在一定范围内选择，以保证既能捕捉细微的扰动特征，又能保持对整体飞行状态的感知能力。例如，对于输入的俯仰角加速度、横滚角加速度和偏航角加速度特征数据，卷积核的大小通常选取为或，以在空间上捕获不同维度间的扰动模式。这些尺寸的卷积核能够有效平衡局部特征提取的精度与计算复杂度，确保实时处理能力。[0154]卷积核的数量直接决定了模型提取特征的种类和丰富程度。增加卷积核的数量能够提高特征空间的覆盖能力，从而捕获更多的扰动模式。例如，初始层的卷积核数量可以设置为32或64,以提取低级别的扰动特征；在后续的卷积层中，可以逐步增加卷积核数量到128或更高，以捕获更高级别的模式。这种分层设计使得模型能够逐步构建从简单到复杂的特征表示，同时保留对关键扰动信息的全面覆盖。[0155]为了进一步提高卷积操作的鲁棒性，卷积核的权重通过离线训练进行优化。训练过程中，模型会根据输入数据的扰动特性自动调整卷积核的参数，使得每个卷积核专注于捕捉特定的扰动模式。例如，在无人机飞行中，特定的卷积核可能被优化为对快速变化的俯仰角加速度更加敏感，而另一些卷积核可能专注于缓慢变化的横滚角加速度。[0156]此外，为防止过拟合，在卷积操作后引入正则化技术，例如Dropout方法或权重惩罚项，确保模型在实际应用中的泛化能力。通过卷积核的大小和数量设计，以及正则化技术的结合，第一子网络能够充分提取输入特征中的局部扰动模式，为后续隐层提供高质量的特征输入。[0157]如下是深度学习模型的参考实现代码：[0162]#定义深度学习模型[0163]classDro[0164]definit(self,input_dim,hidden_dim,output_dim,num_[0166]初始化模型结构，包括输入层、第一隐层、第二隐层、第三隐层和输出层[0167]:paraminput_dim:输入特征维度[0168]:paramhidden_dim:隐藏层维度[0169]:paramoutput_dim:输出特征维度[0170]:paramnum_features:待融合特征数量n[0172]super(DroneMotorControlModel,self[0173]#输入层：接收并归一化输入数据[0174]self.input_layer[0175]#第一隐层：包含两个并行子网络[0176]#第一子网络(卷积网络)[0177]self.conv1=nn.Conv2d(in_channkernel_size=(3,3),paddi[0178]self.conv2=nn.Conv2d(in_channekernel_size=(3,3),paddi[0179]self.pool=nn.MaxPool2d(k[0180]#第二子网络(递归网络)[0182]#第二隐层：融合特征向量并应用注意力机制[0183]self.fc_fusion=nn.Linear(h[0184]self.attention_weights=nn.Parameter(tfeatures,1))#动态权重[0185]#第三隐层：高维非线性变换[0186]sel[0187]self.gamma_wei非线性增强权重[0188]self.delta_weightshidden_dim))#特征交互权重[0189]#输出层：校正目标转速补偿值[0190]self.output_layer[0191]defforward(self,x,delta_h,omega_cu[0193]前向传播过程[0194]:paramx:输入数据，包含俯仰角加速度、横滚角加速度、偏航角加速度等[0198]:return:最终输出的目标转速补偿值[0200]#输入层归一化处理[0202]#第一隐层：卷积网络提取局部特征[0203]X_conv=F.relu(self.conv1(x_normalized.uns[0204]X_conv=self.poo(0),-1)#展平[0205]#第一隐层：递归网络提取时序特征[0207]x_rnn=x_rnn[:,-1,:]#取最后一时间步的输出[0208]#第二隐层：融合局部特征和时序特征current)/(1+abs(omega_[0210]x_fusion[0212]x_fused合特征向量[0213]#第三隐层：高维非线性变换[0214]non_linear[0215]gamma_term[0216]del[0218]#输出层：生成目标转速补偿值[0219]output=self.output[0221]训练该深度学习模型的关键包括数据准备、模型训练、损失优化和模型评估。以下是主要步骤。度变化率和电机当前转速的数据。这些数据通过传感器采集，与目标转速补偿值配对作为监督学习的标签。特征数据需要进行归一化处理，统一量纲并进行幅值缩放，时间序列特征[0223]模型初始化时，采用合理的权重随机化方法，如Xavier初始化，并确定超参数，如每层神经元数量、学习率和注意力机制权重初始值等。[0224]训练过程中，选用均方误差(MSE)作为损失函数，并使用Adam优化器动态调整学习率。每次训练通过mini-batch数据进行前向传播和反向传播，前向传播计算损失，反向传播优化模型权重。训练期间，验证集用于实时监控模型性能，确保损失收敛且无过拟合迹象。正则化技术如Dropout层和L2正则化减少过拟合风险。[0225]训练完成后，在测试集上评估模型性能，验证模型在目标转速补偿值预测中的精度和稳定性。最终保存最佳权重以供后续部署。[0226]通过上述步骤，可以完成模型训练，并确保其在无人机电机控制中的有效性和适[0227]步骤S104:根据所述目标转速补偿值，结合预设的模糊控制规则，计算得到电机的[0228]在步骤S104中，根据从深度学习模型计算得到的目标转速补偿值，结合预设的模糊控制规则，计算电机的PWM驱动信号的修正值。[0229]首先，模糊控制规则的核心在于基于经验知识和专家系统定义的模糊逻辑规则，用于处理目标转速补偿值与当前系统状态之间的非线性关系。这些规则通常采用“如果-那占空比”。规则的具体设计依赖于实验中对无人机动力学特性的观察和总结。[0230]在应用模糊控制规则时，需要首先将输入变量模糊化。目标转速补偿值被划分为包括深度学习模型计算的目标转速补偿值以及可能的其他辅助变量(如当前电机转速的变化率)。隶属函数的形式可以是三角形、梯形或高斯函数，其具体形状和范围通过实验数据[0231]接下来，将模糊化的输入变量代入模糊规则库进行推理。推理过程基于模糊逻辑操作，例如最小-最大推理或加权平均推理，以综合多条规则的结果。[0232]最后，需要将模糊化的修正值通过解模糊化方法转换为实际的数值信号。解模糊化通常采用质心法，即通过计算模糊隶属函数的质心位置确定修正值的最终输出。这一修正值表示在当前状态下需要对电机PWM驱动信号占空比进行的调整量。[0233]将解模糊化得到的修正值与基础PWM信号进行叠加，生成最终的修正PWM驱动信号。该信号不仅可以根据扰动情况对电机的转速进行精确补偿，还可以通过动态调整占空比响应不同的飞行状态需求。在实际实现中，这一过程通常在嵌入式飞控处理器上通过实时算法运行，以确保高效和准确。[0234]更进一步地，所述根据所述目标转速补偿值，结合预设的模糊控制规则，计算得到[0235]通过深度学习模型输出的目标转速补偿值以及当前电机转速反馈值，计算转速误差和误差变化率，其中转速误差为目标转速补偿值与当前反馈值之差，误差变化率为连续时间步之间转速误差的变化量；[0236]将所述转速误差和误差变化率作为模糊控制规则的输入参数，基于预设的模糊隶属函数对输入参数进行模糊化处理，其中，模糊隶属函数根据电机响应的实验数据和飞行任务的实际需求预先设计，并划分为多个模糊集合；[0237]根据模糊控制规则库对模糊化后的输入进行模糊推理；推理过程中，采用最大-最小合成法或加权平均法对多条规则的结果进行综合处理，以确保控制逻辑的准确性和稳定[0238]将模糊推理结果进行解模糊化处理，生成精确的PWM修正示当前状态下需要对电机PWM驱动信号的占空比调整量。[0239]在本实施例中，通过目标转速补偿值和电机转速反馈值的结合，利用预设的模糊控制规则，动态计算得到电机PWM驱动信号的修正值，从而实现对电机转速的精准控制，适应复杂飞行环境中的扰动需求。具体实现过程通过以下步骤展开，确保整个控制逻辑的准确性和实时性。[0240]首先，通过深度学习模型输出的目标转速补偿值以及电机传感器采集的当前转速反馈值，计算转速误差和误差变化率。转速误差是目标转速补偿值与实际反馈转速值之间的差值，用于量化当前转速与理想目标的偏离程度。而误差变化率则表示转速误差在连续时间步之间的变化速率，反映电机响应的动态趋势。这两个参数为后续模糊控制提供了基础输入，能够全面表征电机转速的静态偏差和动态变化。[0241]接下来，将转速误差和误差变化率输入到模糊控制规则的模糊化处理模块。模糊化处理通过预设的模糊隶属函数将精确的输入参数转化为模糊集合。模糊隶属函数根据电合可以通过误差值范围的分段映射来实现，范围为[-10,10]时，“较小”的隶属度范围为[-不确定性和复杂动态条件的适应能力。[0242]完成模糊化后，根据模糊控制规则库对模糊化后的输入参数进行模糊推理。模糊规则以“如果-那么”的形式预先定义，例如，“如果转速误差较大且误差变化率较小，那么的推理结果进行综合处理，确保逻辑的准确性和稳定性。例如，若多条规则同时被触发，系统根据输入参数的隶属度对规则的输出进行加权叠加，生成综合推理结果。[0243]模糊推理的结果为一个模糊集合，需通过解模糊化方法转化为精确的PWM修正值。解模糊化采用质心法，通过计算模糊集合的质心位置，确定PWM修正值的具体数值输出。例如，若模糊集合包含多个隶属度峰值，质心法通过对隶属函数的分布进行加权平均，生成唯转速偏差的实时补偿。[0244]最终，生成的PWM修正值与现有的PWM信号叠加，形成修正后的PWM驱动信号。该信号实时作用于电机，使其转速逐步向目标值靠拢，从而实现稳定的飞行控制。[0245]步骤S105:将修正后的PWM驱动信号施加于电机，并实时采集电机转速反馈信息，根据所述反馈信息动态调整深度学习模型的权重参数。[0246]在步骤S105中，将从步骤S104中计算得到的修正后的PWM驱动信号直接施加于电机，以驱动电机按期望的转速运行。此过程需要通过无人机的飞行控制系统将修正信号转换为适用于电机的驱动脉冲，同时确保信号的准确传递和实时执行。[0247]PWM驱动信号的施加通过电机控制电路完成，通常由嵌入式微控制器生成对应的PWM波形。修正后的PWM信号通过硬件接口传递至电机驱动芯片，驱动芯片将其转换为实际的电机输入电流，以调整电机转速。需要特别注意的是，为保证驱动信号的稳定性和准确性，信号的施加需要经过抗干扰处理，例如添加滤波电路，以防止因电磁噪声或硬件不稳定引起的信号失真