固定翼无人机避障系统及其避障方法以及固定翼无人机

    公开(公告)号:CN106950978B

    公开(公告)日:2019-08-27

    申请号:CN201710193323.0

    申请日:2017-03-28

    IPC分类号: G05D1/08 G05D1/10

    摘要: 本发明提供一种固定翼无人机避障系统及其避障方法以及固定翼无人机,所述避障系统包括无人机飞行控制模块和毫米波雷达模块,其中:所述毫米波雷达模块,设置于所述固定翼无人机上,用于持续的发射接收毫米波波束或固定间隔时间的发射接收毫米波波束,探测所述固定翼无人机的前方航线环境,并将探测结果信号传输至所述无人机飞行控制模块;所述无人机飞行控制模块,用于根据所述探测结果信号控制所述固定翼无人机进行飞行和避障。通过采用毫米波雷达,可以提前对障碍物进行预警并具有充足时间对障碍物进行躲避,探测较大的前方空域,探测效率高,可以在复杂天气环境下以及黑夜条件下有效工作,同时整个系统的尺寸小、重量轻、成本较低。

    基于并行计算的红外成像系统性能评估仿真方法

    公开(公告)号:CN116127767A

    公开(公告)日:2023-05-16

    申请号:CN202310131591.5

    申请日:2023-02-17

    摘要: 本发明公开了一种基于并行计算的红外成像系统性能评估仿真方法,主要解决现有技术性能评估耗时长及成本高的问题,其实现方案是:获取红外成像系统中的各项参数及仿真机的GPU配置;根据获取的参数分别建立红外成像系统的调制传递函数MTF和对比度阈值函数CTF的核函数族:主机端执行性能评估中的逻辑控制,并将任务传输给设备端;设备端运行核函数族并行计算其数据,对计算结果进行管理和标识;主机端根据设备端的计算结果和标识进行数据的整理、合并处理;利用处理结果计算红外成像系统的探测概率,绘制曲线并以报告的形式给出对应的数据,完成系统的评估仿真。本发明减小了评估耗时,降低了成本,可用于红外成像系统性能评估与测试验证。

    基于平衡指数平滑法和栈式自编码器的交通流预测方法

    公开(公告)号:CN109887290A

    公开(公告)日:2019-06-14

    申请号:CN201910254186.6

    申请日:2019-03-30

    IPC分类号: G08G1/01 G08G1/065

    摘要: 一种基于平衡指数平滑和栈式自编码器的交通流预测方法,其步骤为:(1)生成训练序列和测试序列;(2)对训练序列和测试序列进行预处理;(3)利用平衡指数平滑法获取平衡指数值序列;(4)利用最小最大归一化公式,计算完整训练交通流序列的平衡指数值序列中每个值的归一化值,获取完整训练和测试交通流序列的归一化值序列;(5)构建栈式自编码器神经网络;(6)训练栈式自编码器神经网络;(7)对完整测试交通流数据序列的归一化值序列进行测试。本发明的方法,在考虑了交通流数据的高随机性基础上也考虑了交通流数据的复杂非线性特性,提高了交通流的预测精度。

    固定翼无人机避障系统及其避障方法以及固定翼无人机

    公开(公告)号:CN106950978A

    公开(公告)日:2017-07-14

    申请号:CN201710193323.0

    申请日:2017-03-28

    IPC分类号: G05D1/08 G05D1/10

    摘要: 本发明提供一种固定翼无人机避障系统及其避障方法以及固定翼无人机,所述避障系统包括无人机飞行控制模块和毫米波雷达模块,其中:所述毫米波雷达模块,设置于所述固定翼无人机上,用于持续的发射接收毫米波波束或固定间隔时间的发射接收毫米波波束,探测所述固定翼无人机的前方航线环境,并将探测结果信号传输至所述无人机飞行控制模块;所述无人机飞行控制模块,用于根据所述探测结果信号控制所述固定翼无人机进行飞行和避障。通过采用毫米波雷达,可以提前对障碍物进行预警并具有充足时间对障碍物进行躲避,探测较大的前方空域,探测效率高,可以在复杂天气环境下以及黑夜条件下有效工作,同时整个系统的尺寸小、重量轻、成本较低。

    基于平衡指数平滑法和栈式自编码器的交通流预测方法

    公开(公告)号:CN109887290B

    公开(公告)日:2021-03-23

    申请号:CN201910254186.6

    申请日:2019-03-30

    IPC分类号: G08G1/01 G08G1/065

    摘要: 一种基于平衡指数平滑和栈式自编码器的交通流预测方法,其步骤为:(1)生成训练序列和测试序列;(2)对训练序列和测试序列进行预处理;(3)利用平衡指数平滑法获取平衡指数值序列;(4)利用最小最大归一化公式,计算完整训练交通流序列的平衡指数值序列中每个值的归一化值,获取完整训练和测试交通流序列的归一化值序列;(5)构建栈式自编码器神经网络;(6)训练栈式自编码器神经网络;(7)对完整测试交通流数据序列的归一化值序列进行测试。本发明的方法,在考虑了交通流数据的高随机性基础上也考虑了交通流数据的复杂非线性特性,提高了交通流的预测精度。