CN119396015A 一种无人机中电机的控制方法 （雷文斯（深圳）科技有限公司）

本发明公开了一种无人机中电机的控制方算电机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参2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于飞行控制器的初始标定值实时调整气压高度数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变化值除以采样时间间隔得到；获取俯仰角加速度cg、横滚角加速度Cp、偏航角加速度Cy以及气压高度变化3;将计算得到的扰动状态指标D与预设阈值TU进行比较,若满足D>TU,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;4;;其中，Ah为气压高度变化率；wi为当前电机转速；wmax为历史数据中电机转速;现：;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，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5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，以调计算实际电机转速反馈值与目标转速补偿值之间的误差6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7时基于飞行控制器的初始标定值实时调整气压获取俯仰角加速度cg、横滚角加速度Cp、偏航角加速对于俯仰角加速度cg、横滚角加速度Cp、偏航角加速度Cy进行归一化处;lz将计算得到的扰动状态指标D与预设阈值TU进行比较,若满足D>TU,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时使用激活函数提高模型对复杂非线性关系;;;其中，Ah为气压高度变化率；wi为当前电机转速；;9;动模式的识别。示当前状态下需要对电机PWM驱动信号的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，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时基于飞行控制器的初始标定值实时调整气压[0031]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、[0036]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[0040]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。具体而获取俯仰角加速度cg、横滚角加速度Cp、偏航角加速对于俯仰角加速度cg、横滚角加速度Cp、偏航角加速度Cy进行归一化处;;[0048]将计算得到的扰动状态指标D与预设阈值TU进行比较,若满足D>TU,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；时使用激活函数提高模型对复杂非线性关系模型的过拟合风险，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;;[0068]kz为飞行模式相关的动态调节系数;[0071]wmax为历史数据中电机转速的最大值，用于衡量当前电机转速与历史最高值;yi表示与融合相关的非线性增强权重，用于调节每个特征对最终输出的贡献。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[0074]为第j个融合特征和第k个融合特征Fit的交互权重系数，反映特征之间的;动模式的识别。classDroneMotorControlModel(definit(self,input_dim,hidden_dim,output_dim,num_self.conv1=nn.Conv2d(in_channels=1,out_channels=32,self.conv2=nn.Conv2d(in_channels=32,out_channels=64,self.rnn=nn.LSTM(inpuself.fc_fusion=nn.Linear(hidden_dim+hidden_dim+2,self.attention_weights=nn.Parameter(torch.randn(num_self.gamma_weights=nn.Parameter(torch.randn(hidden_dim))#self.delta_weights=nn.Parameter(torch.randn(hidden_dim,defforward(self,x,delta_h,omega_current,omega_max):等m_i=delta_h/(1+abs(delta_h))+(omega_max_omega_x_fusion=torch.cat([x_conv,x_rnn,m_i.unsqueeze(1)],dim=attention_scores=F.softmax(torch.matmul(x_fusion,x_fused=torch.sum(attention_scores*x_fusion,dim=0)#融delta_term=torch.sum(torch.matmul(non_linear,self.delta_x_transformed=F.sigmoid(gamma_term+delta_term)#公式5和[0090]首先，模糊控制规则的核心在于基于经验知识和专家系正值表示在当前状态下需要对电机PWM驱动信号占[0094]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驱动信示当前状态下需要对电机PWM驱动信号的[0103]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[0104]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，[0110]本实施例通过将修正后的PWM驱动信号施加到无人机电机，并利用实时采集的电