无人机桨距角的调整方法、装置、设备及可读存储介质

摘要

本发明提供了一种无人机桨距角的调整方法、装置、设备及可读存储介质，涉及桨距角调整技术领域，包括通过模糊神经网络对历史数据进行处理，确定所有历史数据的优化参数，并基于粒子群算法确定一个最合适的优化参数，并通过线性回归的方式确定舵机和桨距角的映射关系，采用基于最合适的优化参数生成舵机控制指令，通过控制指令控制桨距角角度调整，得到调整后的桨距角，并对调整后的桨距角进行判断，若不符合要求，则调整粒子群算法中的参数，重复进行调整，直至所述调整后的桨距角和期望桨距角之间的误差小于预设值，本发明通过不断确定最合适的优化参数，来不断调整舵机控制指令，快速高效的实现无人机桨距角的调整。

权利要求

1.一种无人机桨距角的调整方法，其特征在于，包括：

获取无人机的历史信息，所述历史信息包括历史期望桨距角信息、历史实际桨距角信息、历史指令信息和历史舵机旋转角度信息，所述历史实际桨距角信息为按照历史期望桨距角信息进行调整后桨距角信息；

将所述历史实际桨距角信息和所述历史期望桨距角信息进行误差计算，得到在历史桨距角调整中的误差值和误差变化率值；

将所有的所述误差值和所有的所述误差变化率值发送至训练后的优化神经网络进行处理，得到优化修正参数信息，所述优化修正参数信息为基于优化神经网络计算得到修正参数并进行优化处理后的信息；

基于所述历史指令信息和所述历史实际桨距角信息，确定指令映射关系，所述指令映射关系为所述历史指令信息和所述历史实际桨距角信息之间的映射关系；

基于所述优化修正参数信息和所述指令映射关系对无人机桨距角进行调整，得到调整后的无人机桨距角；

其中，将所有的所述误差值和所有的所述误差变化率值发送至训练后的优化神经网络进行处理，包括；

将所有的所述误差值和所有的所述误差变化率值输入模糊神经网络作为输入层参数，并将所述输入层参数传递至模糊化层进行处理，得到所述模糊化层内每个神经元的输出；

基于所有的模糊化层内每个神经元的输出计算每个神经元对应的模糊规则，并基于每个所述神经元对应的模糊规则进行反模糊化计算，得到控制器的至少两个修正参数信息；

将所有的修正参数信息发送至粒子群优化算法内进行训练优化，得到控制器的优化修正参数信息。

2.根据权利要求1所述的无人机桨距角的调整方法，其特征在于,将所述历史实际桨距角信息和所述历史期望桨距角信息进行误差计算，包括：将每个所述历史实际桨距角信息和每个所述历史期望桨距角信息进行一一对应，并基于预设的误差值计算公式计算每个所述历史实际桨距角信息和其对应的所述历史期望桨距角信息之间的误差值；

基于所有的所述误差值按照时间序列进行排序，并基于预设的误差变化率值的计算公式进行计算，得到误差变化率值。

3.根据权利要求1所述的无人机桨距角的调整方法，其特征在于,所述将所有的修正参数信息发送至粒子群优化算法内进行训练优化，得到控制器的优化修正参数信息，包括：将所有的所述修正参数信息进行初始化处理，得到初始化的粒子速度、粒子位置和粒子群规模，并基于预设的适应度函数计算每个粒子群中粒子的适应度大小，得到粒子的个体最优位置和全局最优位置；

基于粒子群优化算法内粒子更新速度公式和粒子更新位置公式不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到预设的迭代次数，得到迭代完成的修正参数信息；

判断无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值是否小于预设的第一阈值，若无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值小于预设的第一阈值，则判断所述迭代完成的修正参数信息为优化修正参数信息；

若无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值是否大于或等于预设的第一阈值，则调整所述迭代次数，重新进行迭代，直至无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值小于预设的第一阈值，得到优化修正参数信息。

4.一种无人机桨距角的调整装置，其特征在于，包括：

获取单元，用于获取无人机的历史信息，所述历史信息包括历史期望桨距角信息、历史实际桨距角信息、历史指令信息和历史舵机旋转角度信息，所述历史实际桨距角信息为按照历史期望桨距角信息进行调整后桨距角信息；

计算单元，用于将所述历史实际桨距角信息和所述历史期望桨距角信息进行误差计算，得到在历史桨距角调整中的误差值和误差变化率值；

处理单元，用于将所有的所述误差值和所有的所述误差变化率值发送至训练后的优化神经网络进行处理，得到优化修正参数信息，所述优化修正参数信息为基于优化神经网络计算得到修正参数并进行优化处理后的信息；

映射单元，用于基于所述历史指令信息和所述历史实际桨距角信息，确定指令映射关系，所述指令映射关系为所述历史指令信息和所述历史实际桨距角信息之间的映射关系；

调整单元，用于基于所述优化修正参数信息和所述指令映射关系对无人机桨距角进行调整，得到调整后的无人机桨距角；

其中，所述处理单元包括：

第一处理子单元，用于将所有的所述误差值和所有的所述误差变化率值输入模糊神经网络作为输入层参数，并将所述输入层参数传递至模糊化层进行处理，得到所述模糊化层内每个神经元的输出；

第三计算子单元，用于基于所有的模糊化层内每个神经元的输出计算每个神经元对应的模糊规则，并基于每个所述神经元对应的模糊规则进行反模糊化计算，得到控制器的至少两个修正参数信息；

第二处理子单元，用于将所有的修正参数信息发送至粒子群优化算法内进行训练优化，得到控制器的优化修正参数信息。

5.根据权利要求4所述的无人机桨距角的调整装置，其特征在于，所述装置，包括：第一计算子单元，用于将每个所述历史实际桨距角信息和每个所述历史期望桨距角信息进行一一对应，并基于预设的误差值计算公式计算每个所述历史实际桨距角信息和其对应的所述历史期望桨距角信息之间的误差值；

第二计算子单元，用于基于所有的所述误差值按照时间序列进行排序，并基于预设的误差变化率值的计算公式进行计算，得到误差变化率值。

6.根据权利要求4所述的无人机桨距角的调整装置，其特征在于，所述装置，包括：第三处理子单元，用于将所有的所述修正参数信息进行初始化处理，得到初始化的粒子速度、粒子位置和粒子群规模，并基于预设的适应度函数计算每个粒子群中粒子的适应度大小，得到粒子的个体最优位置和全局最优位置；

第四处理子单元，用于基于粒子群优化算法内粒子更新速度公式和粒子更新位置公式不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到预设的迭代次数，得到迭代完成的修正参数信息；

第一判断子单元，用于判断无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值是否小于预设的第一阈值，若无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值小于预设的第一阈值，则判断所述迭代完成的修正参数信息为优化修正参数信息；

第二判断子单元，用于若无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值是否大于或等于预设的第一阈值，则调整所述迭代次数，重新进行迭代，直至无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值小于预设的第一阈值，得到优化修正参数信息。

7.一种无人机桨距角的调整设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述无人机桨距角的调整方法的步骤。

8.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述无人机桨距角的调整方法的步骤。

说明书

无人机桨距角的调整方法、装置、设备及可读存储介质

技术领域

[0001] 本发明涉及桨距角调整技术领域，具体而言，涉及无人机桨距角的调整方法、装置、设备及可读存储介质。

背景技术

[0002] 但是，传统变桨距无人机控制桨距角多采用开环控制的思路，这导致实际桨距角与期望桨距角之间存在误差，使得变桨距无人机控制稳定性下降，不利于变桨距无人机的应用，并且认为调整误差的话需要多次进行调整，浪费人力物力的同时还需要多次计算，现需要一种能够自动调整无人机桨距角的方法和装置，以此来减少实际桨距角和期望桨距角之间的误差，保障误差在可控范围内，保障无人机的运行和使用。

发明内容

[0003] 本发明的目的在于提供一种无人机桨距角的调整方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

[0004] 第一方面，本申请提供了一种无人机桨距角的调整方法，包括：

[0005] 获取无人机的历史信息，所述历史信息包括历史期望桨距角信息、历史实际桨距角信息、历史指令信息和历史舵机旋转角度信息，所述历史实际桨距角信息为按照历史期望桨距角信息进行调整后桨距角信息；

[0006] 将所述历史实际桨距角信息和所述历史期望桨距角信息进行误差计算，得到在历史桨距角调整中的误差值和误差变化率值；

[0007] 将所有的所述误差值和所有的所述误差变化率值发送至训练后的优化神经网络进行处理，得到优化修正参数信息，所述优化修正参数信息为基于优化神经网络计算得到修正参数并进行优化处理后的信息；

[0008] 基于所述历史指令信息和所述历史实际桨距角信息，确定指令映射关系，所述指令映射关系为所述历史指令信息和所述历史实际桨距角信息之间的映射关系；

[0009] 基于所述优化修正参数信息和所述指令映射关系对无人机桨距角进行调整，得到调整后的无人机桨距角。

[0010] 第二方面，本申请还提供了一种无人机桨距角的调整装置，包括：

[0011] 获取单元，用于获取无人机的历史信息，所述历史信息包括历史期望桨距角信息、历史实际桨距角信息、历史指令信息和历史舵机旋转角度信息，所述历史实际桨距角信息为按照历史期望桨距角信息进行调整后桨距角信息；

[0012] 计算单元，用于将所述历史实际桨距角信息和所述历史期望桨距角信息进行误差计算，得到在历史桨距角调整中的误差值和误差变化率值；

[0013] 处理单元，用于将所有的所述误差值和所有的所述误差变化率值发送至训练后的优化神经网络进行处理，得到优化修正参数信息，所述优化修正参数信息为基于优化神经网络计算得到修正参数并进行优化处理后的信息；

[0014] 映射单元，用于基于所述历史指令信息和所述历史实际桨距角信息，确定指令映射关系，所述指令映射关系为所述历史指令信息和所述历史实际桨距角信息之间的映射关系；

[0015] 调整单元，用于基于所述优化修正参数信息和所述指令映射关系对无人机桨距角进行调整，得到调整后的无人机桨距角。

[0016] 第三方面，本申请还提供了一种无人机桨距角的调整设备，包括：

[0017] 存储器，用于存储计算机程序；

[0018] 处理器，用于执行所述计算机程序时实现所述无人机桨距角的调整方法的步骤。

[0019] 第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于无人机桨距角的调整方法的步骤。

[0020] 本发明的有益效果为：

[0021] 本发明通过模糊神经网络对历史数据进行处理，确定所有历史数据的优化参数，并基于粒子群算法确定一个最合适的优化参数，并通过线性回归的方式确定舵机和桨距角的映射关系，采用基于最合适的优化参数生成舵机控制指令，通过控制指令控制桨距角角度调整，得到调整后的桨距角，并对调整后的桨距角进行判断，若不符合要求，则调整粒子群算法中的参数，重复进行调整，直至所述调整后的桨距角和期望桨距角之间的误差小于预设值，本发明通过采用粒子群算法和模糊神经网络不断确定最合适的优化参数，来不断调整舵机控制指令，使桨距角误差变小，减少调整次数，减少计算数据量，提高效率的同时减少人力物力成本，快速高效的实现无人机桨距角的调整。

[0022] 本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

[0023] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

[0024] 图1为本发明实施例中所述的无人机桨距角的调整方法流程示意图;

[0025] 图2为本发明实施例中所述的无人机桨距角的调整装置结构示意图；

[0026] 图3为本发明实施例中所述的无人机桨距角的调整设备结构示意图；

[0027] 图4为本发明实施例中所述的无人机桨距角的调整数据图；

[0028] 图5为本发明实施例中所述的无人机桨距角的线性拟合斜率截距和标准差数据图；

[0029] 图6为本发明实施例中所述的无人机的舵机角度与其对应的桨叶角度的一次函数图。

[0030] 图中标记：701、获取单元；702、计算单元；703、处理单元；704、映射单元；705、调整单元；7021、第一计算子单元；7022、第二计算子单元；7031、第一处理子单元；7032、第三计算子单元；7033、第二处理子单元；70331、第三处理子单元；70332、第四处理子单元；70333、第一判断子单元；70334、第二判断子单元；7041、第五处理子单元；7042、第六处理子单元；7051、第七处理子单元；7052、第八处理子单元；7053、第三判断子单元；800、无人机桨距角的调整设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

[0031] 为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

[0032] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

[0033] 实施例1：

[0034] 本实施例提供了一种无人机桨距角的调整方法。

[0035] 参见图1、图4、图5和图6，图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4、步骤S5。

[0036] 步骤S1、获取无人机的历史信息，所述历史信息包括历史期望桨距角信息、历史实际桨距角信息、历史指令信息和历史舵机旋转角度信息，所述历史实际桨距角信息为按照历史期望桨距角信息进行调整后桨距角信息；

[0037] 可以理解的是本步骤中通过调用无人机的历史信息，将所有的历史信息进行存储，进而获取历史无人机桨距角的控制方式，其中本实施例中的无人机桨距角的控制方式为控制器控制舵机，舵机通过传动轴控制将无人机的桨距角，因此本发明通过调整控制器中的控制参数来调整无人机桨距角的角度。

[0038] 步骤S2、将所述历史实际桨距角信息和所述历史期望桨距角信息进行误差计算，得到在历史桨距角调整中的误差值和误差变化率值；

[0039] 可以理解的是本步骤通过对历史实际桨距角信息和所述历史期望桨距角信息进行误差计算，进而确定误差值和误差变化率，本步骤中，所述步骤S2包括步骤S21和步骤S22。

[0040] 步骤S21、将每个所述历史实际桨距角信息和每个所述历史期望桨距角信息进行一一对应，并基于预设的误差值计算公式计算每个所述历史实际桨距角信息和其对应的所述历史期望桨距角信息之间的误差值；

[0041] 步骤S22、基于所有的所述误差值按照时间序列进行排序，并基于预设的误差变化率值的计算公式进行计算，得到误差变化率值。

[0042] 可以理解的是本步骤通过预设的期望桨距角的计算公式计算无人机在不同空气流速下的最佳升力和的桨距角组合，进而得到期望桨距角，所述期望桨距角即为无人机的飞行过程中电机功耗最低的桨距角，这样可以节约能源，增加飞行时间，本步骤还通过预设的误差公式和误差变化率计算公式，计算得到每个历史实际桨距角信息和其对应的所述历史期望桨距角信息之间的误差值和误差变化率。

[0043] 其中，预设的期望桨距角的计算公式如下所示：

[0044]              （1）

[0045]          （2）

[0046] 其中， 为空气密度，c为升力系数 与 与螺旋桨的形状有关， 为桨距角,  为旋翼螺旋桨的转速 为旋翼螺旋桨的转速对时间的导函数， 为电机转动惯量，为控制电压， 和 为无刷电机常数， 为电机内电阻， 为空载电流， 、 、为电机转矩系数。

[0047] 其中，预设的误差公式如下所示：

[0048]             （3）

[0049] 其中，a代表期望桨距角， 代表实际桨距角，e代表期望桨距角与实际桨距角之间的误差。

[0050]               （4）

[0051] 其中，预设的误差变化率计算公式如下所示：

[0052] 其中， 代表单位时间内误差e的变化率， 与 分别代表第k个时间点与第k‑1个时间点的误差信号。

[0053] 步骤S3、将所有的所述误差值和所有的所述误差变化率值发送至训练后的优化神经网络进行处理，得到优化修正参数信息，所述优化修正参数信息为基于优化神经网络计算得到修正参数并进行优化处理后的信息；

[0054] 可以理解的本步骤通过将所有的误差值和所有的误差变化率值进行模糊神经网络的处理，得到修正参数信息，并基于粒子群优化算法进行优化，得到优化后的修正参数信息，本步骤中，步骤S3包括步骤S31、步骤S32和步骤S33。

[0055] 步骤S31、将所有的所述误差值和所有的所述误差变化率值输入模糊神经网络作为输入层参数，并将所述输入层参数传递至模糊化层进行处理，得到所述模糊化层内每个神经元的输出；

[0056] 可以理解的是本步骤中将所有的误差值和误差变化率作为输入层参数输入模糊化层进行处理，并将每个所述输入层参数进行数据转化，得到输入层集合，将所有的输入层集合内的数据进行标号，并输出至模糊层。

[0057] 步骤S32、基于所有的模糊化层内每个神经元的输出计算每个神经元对应的模糊规则，并基于每个所述神经元对应的模糊规则进行反模糊化计算，得到控制器的至少两个修正参数信息；

[0058] 可以理解的是本步骤中通过计算每个输入层集合内的变量的隶属度函数，进而通过隶属度函数将集合内所有数据进行模糊化处理，得到模糊化层的输出，其中，本发明将控制器划分为7个集合，包括（负大，负中，负小，等于，正小，正中，正大）然后通过模糊规则层进行模糊规则计算，得到模糊规则层的输出，然后将所有的模糊规则层的输出进行反模糊化计算，得到清晰化层的输出；

[0059] 本发明中的隶属度函数如下所示：

[0060]             （5）

[0061] 其中，其中，j=1，2;c=1，…，7;i=1，…，14;  表示第二层神经元节点的输出，第i个集合的隶属度函数， 表示第2层的第j个神经元节点的输入， 表示第j个神经元节点中第c个集合的隶属度函数的均值， 第j个神经元节点中第c个集合的隶属度函数的标准差。

[0062] 可以理解的是模糊规则计算的公式如下：

[0063]             （6）

[0064]             （7）

[0065] 其中，i=1，…，49;j=1，…，7;c=8，…，14;N=49;  表示第i个神经元节点的计算值， 表示第j个神经元节点的输入， 表示第c个神经元节点的输入， 表示第3层神经元节点的输出。

[0066] 可以理解的是反模糊化计算的公式如下：

[0067]             （8）

[0068] 其中，f=1，2，3， ， 、 、 均为修正参数值;M=49; 为模糊规则层与清晰化层之间的可调权系数， 第f个神经元节点的输入， 第f个神经元节点的输出。

[0069] 步骤S33、将所有的修正参数信息发送至粒子群优化算法内进行训练优化，得到控制器的优化修正参数信息。

[0070] 可以理解的是本步骤将所有的修正参数信息进行优化，选取最优的三个修正参数值，本步骤中，步骤S33包括步骤S331、步骤S332、步骤S333和步骤S334。

[0071] 步骤S331、将所有的所述修正参数信息进行初始化处理，得到初始化的粒子速度、粒子位置和粒子群规模，并基于预设的适应度函数计算每个粒子群中粒子的适应度大小，得到粒子的个体最优位置和全局最优位置；

[0072] 可以理解的是本步骤根据粒子群优化算法中的适应度函数计算粒子适应度，得到每个粒子群众粒子的适应度值。

[0073] 可以理解的是本步骤中的适应度函数计算公式如下：

[0074]             （9）

[0075] 其中，E为第a个修正参数信息，S为所有修正参数信息的平均值，N为训练集内数据的组数，RMSE表示适应度函数值，N表示修正系数参数的集合数，本实施例中集合数取3。

[0076] 步骤S332、基于粒子群优化算法内粒子更新速度公式和粒子更新位置公式不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到预设的迭代次数，得到迭代完成的修正参数信息；

[0077] 可以理解的是本步骤中的个体最优位置的更新准则为按照适应度值的大小选取更大适应度值的个体位置作为个体最优位置，全局最优位置的更新准则为按照适应度值的大小选取更大适应度值的全局位置作为全局最优位置。

[0078] 可以理解的是本步骤通过如下两个公式来更新自己的位置：

[0079]   （9）

[0080] 其中， 为更新后的速度， 为当前的速度， 和 为学习因子，通常取2， 为粒子当前位置，a为粒子总数， 为取0到1之间的随机数， 为到目前为止本粒子发现的最佳位置， 为到目前位置所有粒子发现的最佳位置， 为惯性因子。

[0081]             （10）

[0082] 其中， 为粒子更新后的位置， 为粒子在更新前的位置， 为粒子更新前的位置。

[0083] 步骤S333、判断无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值是否小于预设的第一阈值，若无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值小于预设的第一阈值，则判断所述迭代完成的修正参数信息为优化修正参数信息；

[0084] 步骤S334、若无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值是否大于或等于预设的第一阈值，则调整所述迭代次数，重新进行迭代，直至无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值小于预设的第一阈值，得到优化修正参数信息。

[0085] 可以理解的是本步骤通过迭代计算，确定最终的修正系数对应的误差值是否小于预设的阈值，若不小于，则重新调整迭代参数，直至有修正系数对应的误差值小于预设的阈值，本步骤通过选取最合适的修正系数来对无人机的桨距角进行修正，进而保障无人机飞行效率和安全。

[0086] 步骤S4、基于所述历史指令信息和所述历史实际桨距角信息，确定指令映射关系，所述指令映射关系为所述历史指令信息和所述历史实际桨距角信息之间的映射关系；

[0087] 可以理解的是本步骤通过基于历史数据确定历史指令信息和实际桨距角的映射关系，本步骤中，步骤S4包括步骤S41和步骤S42。

[0088] 步骤S41、基于所述历史指令信息和预设的历史舵机旋转角度信息按照预设的计算公式，建立所述历史指令信息和所述历史舵机旋转角度信息之间的函数关系；

[0089] 可以理解的是本步骤中的确定历史指令信息和所述历史舵机旋转角度信息之间的函数关系的公式如下所示：

[0090]    （11）

[0091]             （12）

[0092] 其中 代表第k个时间点的舵机指令信号， 代表第k‑1个时间点的舵机指令信号， 代表第k个时间点的误差信号， 代表第k‑1个时间点的误差信号， 代表第k‑2个时间点的误差信号， ， ， 分别代表三个修正参数，
为比例修正系数； 为微分修正系数； 为积分修正系数。

[0093] 由桨距角PID控制器输出的舵机指令信号u(s)作为所述直流无刷舵机控制的输入量，建立舵机指令信号u(s)与舵机轴旋转角度 之间的函数关系。

[0094] 其中，直流无刷舵机中伺服电机的传递函数如公式13所示

[0095]      （13）

[0096] 如公式10，其中 为输入的舵机指令信号， 为电机转矩系数， 为反电动势系数， 为电机电枢电阻， 为电机电枢电感， 为电机转轴上的转动惯量，为电机转轴上的力矩，s为时间变量， 与 为时间变量的平方与三次方， 为伺服电机的旋转角度随时间变化的函数，其单位为弧度，其中空载条件下可近似看成 =0。

[0097] 由于该伺服电机需要与减速传动装置配合使用，设减速传动装置的减速传动比为N，进而舵机轴旋转角度和直流无刷舵机中伺服电机的传递函数的关系如下公式：

[0098]      （14）

[0099]       （15）

[0100] 其中，其中 为伺服电机的旋转角度，单位为弧度； 为伺服电机通过减速传动装置输出舵机轴角度，单位为弧度； 为减速传动比 为历史舵机轴旋转角度，单位为角度； 为圆周率。

[0101] 由上述舵机数学模型所述，即可建立关系 =F(u(s))，其中s为时间变量；为历史舵机轴旋转角度；u(s)为上述输入的舵机指令信号，F指的是历史舵机轴旋转角度 与输入的舵机指令信号u(s)之间的映射关系。

[0102] 步骤S42、采用线性回归的统计方法将所述函数关系、历史舵机旋转角度信息和历史桨距角信息进行映射处理，得到指令映射关系。

[0103] 可以理解的是本步骤采用线性回归的统计方法对上述数据进行分析，得到一个一次函数，本实施例中基于图4、图5、图6进行数据分析，其中将图6中的无人机的舵机角度与每个舵机对应的桨叶角度进行分析，得到以下公式：

[0104]      （16）

[0105] 其中， =2.3043025， =147.263045， 为历史桨距角， 为历史舵机旋转角度信息。

[0106] 步骤S5、基于所述优化修正参数信息和所述指令映射关系对无人机桨距角进行调整，得到调整后的无人机桨距角。

[0107] 可以理解的是本步骤基于上述指令映射关系和优化修正参数信息对对无人机螺旋桨的桨距角进行调整，得到调整后的无人机螺旋桨的桨距角，本步骤中，步骤S5包括步骤S51、步骤S52和步骤S53。

[0108] 步骤S51、基于所述优化修正参数信息和预设的指令信息调整公式对所述历史指令信息进行调整，确定得到新的指令信息；

[0109] 步骤S52、将新的指令信息和所述指令映射关系进行分析处理，其中，将新的指令信息带入所述历史指令信息与所述历史实际桨距角信息之间的映射关系中，得到新的指令信息对应的实际桨距角信息；

[0110] 步骤S53、判断所述新的指令信息对应的实际桨距角信息与预设的期望桨距角信息之间的差值，若差值小于预设的第二阈值，则基于新的指令信息对无人机螺旋桨的桨距角进行调整，得到调整后的无人机螺旋桨的桨距角。

[0111] 可以理解的是本步骤通过对桨距角进行调整，保障无人机的飞行安全和降低无人机的飞行能耗，保障无人机的飞行姿态在可控范围内，减少安全事故的发生。

[0112] 实施例2：

[0113] 如图2所示，本实施例提供了一种无人机桨距角的调整装置，所述装置包括获取单元701、计算单元702、处理单元703、映射单元704和调整单元705。

[0114] 获取单元701，用于获取无人机的历史信息，所述历史信息包括历史期望桨距角信息、历史实际桨距角信息、历史指令信息和历史舵机旋转角度信息，所述历史实际桨距角信息为按照历史期望桨距角信息进行调整后桨距角信息；

[0115] 计算单元702，用于将所述历史实际桨距角信息和所述历史期望桨距角信息进行误差计算，得到在历史桨距角调整中的误差值和误差变化率值；

[0116] 处理单元703，用于将所有的所述误差值和所有的所述误差变化率值发送至训练后的优化神经网络进行处理，得到优化修正参数信息，所述优化修正参数信息为基于优化神经网络计算得到修正参数并进行优化处理后的信息；

[0117] 映射单元704，用于基于所述历史指令信息和所述历史实际桨距角信息，确定指令映射关系，所述指令映射关系为所述历史指令信息和所述历史实际桨距角信息之间的映射关系；

[0118] 调整单元705，用于基于所述优化修正参数信息和所述指令映射关系对无人机桨距角进行调整，得到调整后的无人机桨距角。

[0119] 在本公开的一种具体实施方式中，所述计算单元702包括第一计算子单元7021和第二计算子单元7022。

[0120] 第一计算子单元7021，用于将每个所述历史实际桨距角信息和每个所述历史期望桨距角信息进行一一对应，并基于预设的误差值计算公式计算每个所述历史实际桨距角信息和其对应的所述历史期望桨距角信息之间的误差值；

[0121] 第二计算子单元7022，用于基于所有的所述误差值按照时间序列进行排序，并基于预设的误差变化率值的计算公式进行计算，得到误差变化率值。

[0122] 在本公开的一种具体实施方式中，所述处理单元703包括第一处理子单元7031、第三计算子单元7032和第二处理子单元7033。

[0123] 第一处理子单元7031，用于将所有的所述误差值和所有的所述误差变化率值输入模糊神经网络作为输入层参数，并将所述输入层参数传递至模糊化层进行处理，得到所述模糊化层内每个神经元的输出；

[0124] 第三计算子单元7032，用于基于所有的模糊化层内每个神经元的输出计算每个神经元对应的模糊规则，并基于每个所述神经元对应的模糊规则进行反模糊化计算，得到控制器的至少两个修正参数信息；

[0125] 第二处理子单元7033，用于将所有的修正参数信息发送至粒子群优化算法内进行训练优化，得到控制器的优化修正参数信息。

[0126] 在本公开的一种具体实施方式中，所述第二处理子单元7033包括第三处理子单元70331、第四处理子单元70332、第一判断子单元70333和第一判断子单元70334。

[0127] 第三处理子单元70331，用于将所有的所述修正参数信息进行初始化处理，得到初始化的粒子速度、粒子位置和粒子群规模，并基于预设的适应度函数计算每个粒子群中粒子的适应度大小，得到粒子的个体最优位置和全局最优位置；

[0128] 第四处理子单元70332，用于基于粒子群优化算法内粒子更新速度公式和粒子更新位置公式不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到预设的迭代次数，得到迭代完成的修正参数信息；

[0129] 第一判断子单元70333，用于判断无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值是否小于预设的第一阈值，若无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值小于预设的第一阈值，则判断所述迭代完成的修正参数信息为优化修正参数信息；

[0130] 第二判断子单元70334，用于若无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值是否大于或等于预设的第一阈值，则调整所述迭代次数，重新进行迭代，直至无人机螺旋桨的控制器在采用迭代完成的修正参数信息时，其对应的误差值小于预设的第一阈值，得到优化修正参数信息。

[0131] 在本公开的一种具体实施方式中，所述映射单元704包括第五处理子单元7041和第六处理子单元7042。

[0132] 第五处理子单元7041，用于基于所述历史指令信息和预设的历史舵机旋转角度信息按照预设的计算公式，建立所述历史指令信息和所述历史舵机旋转角度信息之间的函数关系；

[0133] 第六处理子单元7042，用于采用线性回归的统计方法将所述函数关系、历史舵机旋转角度信息和历史桨距角信息进行映射处理，得到指令映射关系。

[0134] 在本公开的一种具体实施方式中，所述调整单元705包括第七处理子单元7051、第八处理子单元7052和第三判断子单元7053。

[0135] 第七处理子单元7051，用于基于所述优化修正参数信息和预设的指令信息调整公式对所述历史指令信息进行调整，确定得到新的指令信息；

[0136] 第八处理子单元7052，用于将新的指令信息和所述指令映射关系进行分析处理，其中，将新的指令信息带入所述历史指令信息与所述历史实际桨距角信息之间的映射关系中，得到新的指令信息对应的实际桨距角信息；

[0137] 第三判断子单元7053，用于判断所述新的指令信息对应的实际桨距角信息与预设的期望桨距角信息之间的差值，若差值小于预设的第二阈值，则基于新的指令信息对无人机螺旋桨的桨距角进行调整，得到调整后的无人机螺旋桨的桨距角。

[0138] 需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

[0139] 实施例3：

[0140] 相应于上面的方法实施例，本实施例中还提供了一种无人机桨距角的调整设备，下文描述的一种无人机桨距角的调整设备与上文描述的一种无人机桨距角的调整方法可相互对应参照。

[0141] 图3是根据示例性实施例示出的一种无人机桨距角的调整设备800的框图。如图3所示，该无人机桨距角的调整设备800可以包括：处理器801，存储器802。该无人机桨距角的调整设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。

[0142] 其中，处理器801用于控制该无人机桨距角的调整设备800的整体操作，以完成上述的无人机桨距角的调整方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该无人机桨距角的调整设备800的操作，这些数据例如可以包括用于在该无人机桨距角的调整设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read‑Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read‑Only Memory，简称EPROM)，可编程只读存储器(Programmable Read‑Only Memory，简称PROM)，只读存储器(Read‑Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该无人机桨距角的调整设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi‑Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi‑Fi模块，蓝牙模块，NFC模块。

[0143] 在一示例性实施例中，无人机桨距角的调整设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的无人机桨距角的调整方法。

[0144] 在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的无人机桨距角的调整方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由无人机桨距角的调整设备800的处理器801执行以完成上述的无人机桨距角的调整方法。

[0145] 实施例4：

[0146] 相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种无人机桨距角的调整方法可相互对应参照。

[0147] 一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的无人机桨距角的调整方法的步骤。

[0148] 该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read‑Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

[0149] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

[0150] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。