据苏黎世大学（University of Zurich）消息，苏黎世大学的科学家们开发出了一套更加神奇的导航算法，能够让四轴无人机群表演一些让人感到印象深刻的空中杂技。研究团队希望新算法有助于提升无人机的飞行速度，以及在搜救等领域的工作效率。

苏黎世大学机器人学教授 Davide Scaramuzza 表示，通过算法学习，无人机可掌握对最优秀的人类飞行员也极具挑战性的杂技动作。为了把这些手工飞行技巧应用于自动控制系统，苏黎世大学团队开发了一种AI神经网络算法，模拟飞行实现类似杂技动作的飞行表演。在这种AI神经网络算法中，无人机可轻松模拟不同的轨迹、路径和杂技动作，并且不会对无人机造成物理上的损坏。

经过在模拟器上进行几个小时的训练，配备了特殊导航算法的四轴飞行器就可以利用机载摄像头和传感器，为一系列杂技动作实现各种控制指令，比如滚筒翻转、折返、高推力爬升、角加速度机动等。

此外，研究团队希望新算法能够延长无人机的续航距离和飞行时间，以期在搜救、无人机交付等领域发挥更加切实有效的作用。

其实，无人机空中表演在国内已经很成熟了，但几家公司开发了集群控制算法以后，就停留在商业模式上，没有再进行深度的研究。把AI算法引入集群控制是无人机空中控制的一条更深更广阔的应用，未来不仅仅在民用，在军用上也将有更大的想象空间。

说到集群控制，下面我们就目前无人机自主控制这方面来详细了解一下：

目前无人机自主控制，可分为6个等级

1、完全机构化的控制方案和策略，对自身和环境变化没有做出反应的能力；（自动控制）

2、能够适应对象和环境的不确定性，具有变参数、变结构的能力；

3、具有故障实时诊断、隔离、和根据故障情况进行系统重构能力；

4、能够根据变化的任务和态势决策及任务重规划的能力；

5、具有与其它单体或系统进行交互、协同的能力；

6、能够自学习，具有集群自组织协调的能力。

以上“自主控制”可分为以下的类型：

适应性自主：即以适应各类不确定性为目标的自主控制，其中涵盖了由对象、环境以及任务、态势等带来的不确定因素，使系统在无人机参与时实现控制目的。

系统性自主：系统作为独立自主的智能体与其它智能体或人协同时，可进行自主协调、协作、协商等控制行为，以自身适应性自主控制为基础，通过协同性自主可以实现多平台或人机协作，在资源、效率等众多方面得到更优化的控制效果。

学习型自主：高级的自主系统必须具备自学习能力，及能够根据对象、环境、任务及控制效果，通过自主的修正、优化和学习的行为，提高控制性能。

因此，高级的自主系统具有适应性、自修复、智能性、协同性、自学习等特点。

自主控制包括自动完成预先确定的航路和规划的任务，或者在线感知形式，并按确定的使命、原则在飞行中进行决策并自主执行任务。自主控制的挑战就是在不确定性的条件下，实时或近乎实时地解决一系列最优化的求解问题，并且不需要人为的干预。面对不确定性的自动决策是自主控制从内回路控制、自动驾驶仪到飞行管理、多飞行器管理、再到任务管理的一种逻辑层次的进步，也是自动控制从连续反应的控制层面到离散事件驱动层面的一种延伸。

了解完它的控制类型，我们再看看它的控制结构等相关自控方面：

1、递阶开放的无人机控制结构

从效能的角度出发，无人机的工作方式将覆盖单机行动和多机系统的模式。为此飞行控制应当提供编队飞行、多机协同执行任务的能力，控制结构的选择时应对诸多要素进行综合考虑，其中包括将整个机群的使命分解为每个无人机的具体目标、在线任务计划、在线优化编队的任务航线、轨迹的规划和跟踪、编队中不同无人机间相互的协调、在兼顾环境不确定性及自身故障和损伤的情况下实现重构控制和故障管理等。因此先进的无人机控制必须具有开放的平台结构，并面向任务、面向效能包含最大的可拓展性。针对这样的要求，当前广泛接受的解决方案是选择层阶的控制结构和控制技术。

递阶式系统的每一层都有相对独立的功能划分，各层间通过往复的传输实现信息的共享。越往下就越接近具体的执行层，控制算法的具体和布局化程度以及执行的速度就越高；越往上则信息的内容和决策就越具全局意义，并且决策的时间尺度也将变得更长。由于信息的共享，实际上每一层都有相当的“全局观”，这有利于在必要时相对各层开发适当的推理和决策算法，从而提高整个系统的智能化水平和自主程度。

递阶智能控制结构图是基于无人作战飞机设计的控制和协调的分层结构，具有一定的代表性。这种控制结构分为4层：任务控制层、战略层、战术层和调节规划层，下面的3层位于每一架无人机个体上，最上的一层即任务控制层，位于智慧站或长机上。在这种结构下，同时还可以方便地与其它无人机协调合作来完成任务。

单架无人机的控制结构如图所示，其中控制层为自主控制的最高层，它依据对系统状态的感知，决策和规划系统的任务目标，任务序列和机动轨迹。导航和制导为适应层，适应层根据任务规划结果以及无人机的状态产生相应的导引方案和具体的制导指令，控制执行层生成飞机各操纵效率机构（包括气动效率机构及推力效率机构）的控制指令。

2、故障诊断与自修复重构

无人机故障诊断与自修复重构是其实现自主控制的保障，能够提高无人机的生存能力以及飞行安全性。故障容错与重构控制的问题包括：如何对不同情况的重大故障和结构损伤进行建模，而且避免模型量太大；如何将不同的在线故障检测与识别（FDI）和自适应可重构控制（ARC）算法进行综合，以覆盖不同类型的错误，包括传感器故障、控制效应器故障、以及结构和战场损伤；在出现故障时，如何改变控制分配算法（CAA）。具有故障诊断和自修复重构功能的控制如图。

3、可变自主权限的自主控制

先进无人机飞控控制技术的目标是实现可变自主权限的自主控制。近年来，对于在环境和自身存在不确定条件下的自主和多机协同控制已经进行了大量的研究。应当指出，控制器要实现的功能目标在相当程度上决定了其应适应的不确定性程度。在递阶控制结构中，随着时间尺度的增长以及控制和决策功能的逐渐分离，面对的不确定性程度也将大大提高。在现已建立的知识库和专家系统的基础上，将人工智能（AI）应用到飞行中决策的技术方向。研究结果表明，自适应控制可以适应很高程度的不确定性；而当不确定因素是动态并且瞬变时，则可以采用学习控制。在递阶结构的基础上，以鲁棒、自适应和智能控制相互交叉、融合所发展出的先进飞行控制技术，具有功能强大的特点，适用于无人机控制领域。其中，基于多模型的自适应控制技术，可以降低各种不确定性的复杂度，从而利于在线决策和重构控制。

4、在线态势感知和自主决策

与有人机不同，非自主无人机执行任务时的执行决策（如目标识别与分配、武器投放、任务变更等）是由地面操作员完成的，在这种运行机制下，操作员智能进行近实时的决策。自主控制意味着不需要人的干预，必须建立以在线态势感知为中心的实时自主决策能力。无人机任务管理能力和机载控制系统的在线感知和可变自主权控制能力将是无人机自主任务成败的关键。

无人机在线态势感知的重点问题之一在于如何实现不确定条件下信息的快速获取与处理，从而实现飞行中再规划，也就是当接收到新的信息以及发生了非预见的事件时如何实时最优地更新预先制定的计划和导引策略，以应对数据链缺失、实时威胁以及复杂的故障和损伤等控制站无法实时干预的紧急情况。

对于自主飞行的无人机而言，安全着陆是一个很困难的问题。由于着陆阶段飞行高度低，所以对飞行安全的要求也最高，尤其是在终端接近时，无人机必须高精度保持所有状态直到准确地在一个规定的点上接地。着陆设计的问题主要包括无人机的定位导引与制导控制两个方面。而且在与外界数据通信链断开的情况下，无人机需要资助完成安全着陆。因此高精度的距离和位置测量设备是无人机能够正常降落的保证。

采用类似有人驾驶飞机的方式进行自主着陆是无人机的发展趋势，其中精确的控制率设计对于无人机的安全着陆也必不可少。即使发生多起故障、存在严重扰动以及飞机动态数据存在不确定性的情况下，仍能在误差容许的范围使无人机安全着陆。

6、UCAV及多UAV协同中的自主控制

无人机的自主能力在其执行作战或协同任务时显得尤为重要。无人作战飞机（Unmanned Combat Aerial Vehicles UCAV）面临的作战任务复杂、态势变化快、不确定因素多，无人作战飞机必须自主完成对目标的探测、识别，制定诸如目标分配、战术规划和机动决策等攻击决策，无人作战飞机的指挥控制系统应是具有驻留性、反应性、社会性，因此要求其能在快速全面感知环境的基础上实时做出决策。

多无人机协同时将一组不同位置、不同价值、不同威胁程度的目标合理地分配给类型、价值和战斗力都不同的无人机，已达到整体作战效能最大、代价最小的目的。协同的前提条件是无人机平台间的通信和信息共享，无人机平台之间信息是高度分布的，无人机平台的运动以及通信拓扑的变化，以最小信息流为基础的多平台分散协调控制系统结构。

多无人机协同搜索也是多UAV协同控制的一个重要研究内容，多架UAV同时对一个不确定区域进行搜索，目的在于更快速、全面地获取搜索趋于的信息，降低环境的未知性。协同工作时考虑不同UAV飞行和探测传感器的约束，在不确定环境中采用协同自主控制的方法，从而达到整体任务效能的优化。

就像前面说的，无人机集群控制方面如果能和当下AI智能有效结合，将对无人机集群方面的研究有更深层次的提升，创造出更多的可能性。现在也有一些企业为了助力无人机集群研究发展，有针对性的开发了无人机集群研发平台，帮助科研人员更快速、更系统的投入无人机集群研究。

已经开发好的集群研发平台，应用方面包涵全面,可用于无人系统的动态建模和控制研究、运动规划、避障控制、多信息融合、编队控制、多智能体协调控制、无人系统自主控制等。

而且优势突出，紧跟当下研究热点：

兼容的定位系统丰富，涵盖目前主流的室内外定位方式。可提供光学定位系统、UWB定位系统、激光定位系统、GPS、RTK等多种定位平台，定位系统覆盖面积可根据客户要求定制。

2、无人系统平台丰富多样

室内无人控制平台可提供无人机和无人车等多种无人控制平台，无人机平台可以根据需求集成光流、激光定高，差分GPS等传感器，实现在室内和室外的精确定位，导航和控制；无人车支持激光雷达和双目相机等传感器，可以根据客户的需求选配。为了便于客户的进一步开发，提供了无人控制平台相关的二次开发接口。

平台接口丰富、开放性强，用户不需要掌握太多的底层编程技术即可完成算法的修改和验证。支持C、C++、Python、ROS、Matlab/Simulink等多种编程环境，提供完善的二次开发接口。

4、支持多种集群通信系统

支持WIFI、数传、等多种集群通讯方式。

5、例程丰富，讲解详细，快速上手

提供无人机编队飞圆形、空间8字、空间螺旋，队形变换，从跟随、空地协同等无人机编队例程。无人机和无人车之间的协同，如无人机车载起降和跟随等例程。这些例程完全开源。多种视频教程由浅入深地为用户讲解实验的原理、步骤、目标等，并附有相应的配套例程代码，方便用户快速掌握、理解。

平台开放性高，接口丰富。可以很方便地进行二次开发。还可根据用户的实际需求定制整个系统平台，并提供相应的技术支撑和详细的例程和说明书指导。满足用户的个性化和差异化需求，使平台更加契合用户的使用特点和习惯，提升体验感和交互率，减少用户熟悉平台的时间成本，大大提高用户的开发效率和体验。

可以配套无人系统仿真研发平台。集群研发平台所有的例程都可以在仿真平台中模拟仿真。可以软件在环仿真，硬件在环仿真，实现仿真和实物开发有机结合。可以在实测之前通过仿真测试验证算法的可靠性和有效性，然后无缝切换到本集群研发平台。大大提高研发效率。

自主控制意味着能在线感知形势，并按确定的使命、原则在飞行中进行决策并自主执行任务。自主控制的挑战就是在不确定性的条件下，实时或近实时地解决一系列最优化的求解问题，并且不需要人的干预，在根本上，它需要建立不确定性前提下处理复杂问题的自主决策能力。人工智能(AI) 是解决UAV自主控制问题的重要手段，自主控制水平的高低也依赖于智能技术的发展。当然，可获得信息的完整和准确程度对AI系统感知形势、解释环境和做出反应的能力和效果有很大影响。

本发明属于无人机测控通信技术领域，具体地，涉及一种多型号无人机遥测数据通用化实时处理方法及系统。

目前，随着无人机系统在不同领域大量使用以及无人机使用环境的日趋复杂，传统无人机单机作业任务的局面正在改变。无人机集群、编队及组网应用开始显现出其生命力。组织多架无人机，甚至是多架不同类型的无人机携带多种传感器协同执行任务将成为未来发展的重要方向。对应的，未来的地面站系统正在从实现基本监控功能的“单站单机”向通过区域组网方式实现数据信息及时、快速传输和共享的“单站多机”方向发展。

但是，现有国内外各型无人机平台遥测数据协议格式差别较大，缺乏统一的数据传输协议标准。目前仅能通过厂商自有平台对各型无人机平台进行分散监控，遥测数据需要按照原始协议进行透明传输，对后期的数据解析与应用带来许多不便。而且无人机平台与指控系统的耦合度较高，不同无人机指控平台的操作方法、部署方式存在较大差别，导致系统的通用性、可扩展性较差，针对新机种要定制化开发新的指控系统，对框架影响较大，导致平台通用性较差，无法满足多型无人机统一在线监测需求，同时开发、维护、培训的成本较高，造成了不必要的资源浪费。

综上所述，考虑到无人机应用的现状和未来发展的需求，为了不断提高无人机系统技术水平,不仅要合理规划无人机测控系统技术发展路线，更重要的是突破发展过程中的关键技术，其中，无人机系统遥测数据的通用化实时处理是亟待解决的问题之一。

本发明的目的在于提供一种无人机遥测数据通用化实时处理方法及系统，以解决现有技术中不同类型无人机的数据协议差别较大导致遥测数据解析和应用方案不通用、无法满足多类型无人机统一在线实时监测需求的缺陷。

本发明提供的技术方案如下：

一种无人机遥测数据通用化实时处理方法，包括：

实时接收无人机的遥测数据；

根据该无人机的类别标识，从遥测配置文件中获取该无人机对应的遥测协议配置内容；

根据所述遥测协议配置内容，解析所述遥测数据，得到该无人机的飞行状态信息；

将所述飞行状态信息封装为预设的协议格式。

较佳的，在所述实时接收无人机的遥测数据之前，还包括：

预先分析该无人机的遥测协议；

按照预设的配置协议格式创建针对该无人机的遥测配置文件。

较佳的，所述遥测配置文件包括：

所述无人机测控的参数字段、以及各参数字段的位置、数据类型、精度及唯一标识。

较佳的，所述将所述飞行状态信息封装为预设的协议格式之后，还包括：

将封装为预设的协议格式的所述飞行状态信息推送至预设终端，并进行统一解析和显示。

较佳的，所述配置文件为XML格式，所述预设的协议格式为JSON格式。

相应于上述方法，本发明还提供了一种无人机遥测数据通用化实时处理系统，包括：

数据接收模块，用于实时接收无人机的遥测数据；

配置获取模块，用于根据该无人机的类别标识，从遥测配置文件中获取该无人机对应的遥测协议配置内容；

数据解析模块，用于根据所述遥测协议配置内容，解析所述遥测数据，得到该无人机的飞行状态信息；

数据封装模块，用于将所述飞行状态信息封装为预设的协议格式。

较佳的，所述的系统，还包括：

协议分析模块，用于预先分析该无人机的遥测协议；

协议配置模块，用于按照预设的配置协议格式创建针对该无人机的遥测配置文件。

较佳的，所述遥测配置文件包括：

所述无人机测控的参数字段、以及各参数字段的位置、数据类型、精度及唯一标识。

较佳的，所述的系统，还包括：

数据推送模块，用于将封装为预设的协议格式的所述飞行状态信息推送至预设终端，并进行统一解析和显示。

较佳的，所述配置文件为XML格式，所述预设的协议格式为JSON格式。

本发明提供的上述无人机遥测数据通用化实时处理方法和系统，通过设置的遥测配置文件，可以统一处理不同类型无人机的遥测协议，并进一步的解析所述遥测数据，得到该无人机的飞行状态信息；同时根据预设的较强可扩展性的无人机标准协议格式，可以实现对不同类型无人机飞行状态等信息的统一管理分析，能够解决现有技术中不同类型无人机的数据协议差别较大导致遥测数据解析和应用方案不通用的缺陷、并满足多类型无人机统一在线实时监测的需求。

图1是根据本发明实施例一提供的无人机遥测数据通用化实时处理方法流程示意图；

图2是根据本发明实施例二提供的无人机遥测数据通用化实时处理系统框架示意图。

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。

本实施例提供了一种无人机遥测数据通用化实时处理方法，如图1所示为该方法的一种流程示意图，该方法至少包括以下步骤：

步骤S101，实时接收无人机的遥测数据；

其中，所述无人机可以为大型无人直升机、中小型固定翼无人机、便携式固定翼无人机、多旋翼无人机等多种异构机型，由地面的单站多机平台完成数据接收。

步骤S102，根据该无人机的类别标识，从遥测配置文件中获取该无人机对应的遥测协议配置内容；

每一个类型的无人机都预先设置有类别标识，即唯一的类别编码，根据该类别编码，可以在多个不同类型的无人机遥测配置文件中进行检索，得到对应的遥测配置文件。

其中，所述遥测配置文件为针对多型无人机遥测协议制定了具有较强兼容性的标准遥测配置文件，遥测配置文件可以选择为XML文件格式，各不同的无人机型分别唯一对应一套遥测配置文件，其中存储有该无人机对应的遥测协议配置内容。

该遥测协议配置内容包含与无人机测控相关的参数字段(如：经度、纬度、姿态角以及飞机状态等信息)，以及各参数字段的位置、数据类型、精度及唯一标识等。如果某种型号的飞机不需要该参数字段，则将该参数字段设置为无效。

步骤S103，根据所述遥测协议配置内容，解析所述遥测数据，得到该无人机的飞行状态信息；

其中，所述飞行状态信息包括无人机的偏航角、方位角、经度、维度等飞行状态信息。

步骤S104，将所述飞行状态信息封装为预设的协议格式。

其中预设的协议格式为通用无人机标准数据协议格式，可以用JSON形式进行封装，对通用字段进行统一命名，特殊字段统一以name—value形式进行定制，该格式具有较高的可扩展性。

上述方案通过遥测配置文件以及遥测协议的解析将异构的无人机遥测数据统一转换为标准数据格式，提高了无人机系统的通用化、标准化水平。

其中，在步骤S104之后，还可以将封装后的数据进一步处理，对应的，该方法还包括：

步骤S105，将封装为预设的协议格式的所述飞行状态信息推送至预设终端，并进行统一解析和显示。

本步骤可以将封装后的不同无人机的飞行状态数据通过终端或者后端软件进行统一解析和显示，能够实现单站多机的统一指控，无需针对不同类型的无人机开发不同类型的后端软件和指控系统等。

此外，本实施例中，针对兼容新类型的无人机的需求，也提供了对应的处理方案，具体的：在所述实时接收无人机的遥测数据之前，还可以包括：

预先分析该无人机的遥测协议；

按照预设的配置协议格式创建针对该无人机的遥测配置文件。

通过上述方案，可以按照遥测协议格式创建针对该机型的遥测配置文件，以达到使现有的系统内部兼容新增加的无人机类型。

本实施例提供的上述无人机遥测数据通用化实时处理方法，通过设置的遥测配置文件，可以统一处理不同类型无人机的遥测协议，并进一步的解析所述遥测数据，得到该无人机的飞行状态信息；同时根据预设的较强可扩展性的无人机标准协议格式，可以实现对不同类型无人机飞行状态等信息的统一管理分析，能够解决现有技术中不同类型无人机的数据协议差别较大导致遥测数据解析和应用方案不通用的缺陷、并满足多类型无人机统一在线实时监测的需求。

相应于上述方法，本申请实施例还提供了一种无人机遥测数据通用化实时处理系统，如图2所示的系统组成示意图，该系统包括以下模块：

数据接收模块201，用于实时接收无人机的遥测数据；

其中，所述无人机可以为大型无人直升机、中小型固定翼无人机、便携式固定翼无人机、多旋翼无人机等多种异构机型，由地面的单站多机平台完成数据接收。

配置获取模块202，用于根据该无人机的类别标识，从遥测配置文件中获取该无人机对应的遥测协议配置内容；

每一个类型的无人机都预先设置有类别标识，即唯一的类别编码，根据该类别编码，可以在多个不同类型的无人机遥测配置文件中进行检索，得到对应的遥测配置文件。

其中，所述遥测配置文件为针对多型无人机遥测协议制定了具有较强兼容性的标准遥测配置文件，遥测配置文件可以选择为XML文件格式，各不同的无人机型分别唯一对应一套遥测配置文件，其中存储有该无人机对应的遥测协议配置内容。

该遥测协议配置内容包含与无人机测控相关的参数字段(如：经度、纬度、姿态角以及飞机状态等信息)，以及各参数字段的位置、数据类型、精度及唯一标识等。如果某种型号的飞机不需要该参数字段，则将该参数字段设置为无效。

数据解析模块203，用于根据所述遥测协议配置内容，解析所述遥测数据，得到该无人机的飞行状态信息；

其中，所述飞行状态信息包括无人机的偏航角、方位角、经度、维度等飞行状态信息。

数据封装模块204，用于将所述飞行状态信息封装为预设的协议格式。

其中预设的协议格式为通用无人机标准数据协议格式，可以用JSON形式进行封装，对通用字段进行统一命名，特殊字段统一以name—value形式进行定制，该格式具有较高的可扩展性。

上述系统通过遥测配置文件以及遥测协议的解析将异构的无人机遥测数据统一转换为标准数据格式，提高了无人机系统的通用化、标准化水平。此外，还可以将封装后的数据进一步处理，因此该系统还可以包括：

数据推送模块205，用于将封装为预设的协议格式的所述飞行状态信息推送至预设终端，并进行统一解析和显示。

该数据推送模块205可以将封装后的不同无人机的飞行状态数据通过终端或者后端软件进行统一解析和显示，能够实现单站多机的统一指控，无需针对不同类型的无人机开发不同类型的后端软件和指控系统等。

此外，该系统针对兼容新类型的无人机的需求，也提供了对应的处理模块如下：

协议分析模块200a，用于预先分析该无人机的遥测协议；

协议配置模块200b，用于按照预设的配置协议格式创建针对该无人机的遥测配置文件。

通过上述模块，可以按照遥测协议格式创建针对该机型的遥测配置文件，以达到使现有的系统内部兼容新增加的无人机类型。

本实施例提供的上述无人机遥测数据通用化实时处理系统，通过设置的遥测配置文件，可以统一处理不同类型无人机的遥测协议，并进一步的解析所述遥测数据，得到该无人机的飞行状态信息；同时根据预设的较强可扩展性的无人机标准协议格式，可以实现对不同类型无人机飞行状态等信息的统一管理分析，能够解决现有技术中不同类型无人机的数据协议差别较大导致遥测数据解析和应用方案不通用的缺陷、并满足多类型无人机统一在线实时监测的需求。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处。本实施例为方法实施例一、二和三对应的系统实施例，其中各个模块功能的实现方式可以参见上述方法实施例，其类同之处相互参见即可，不再赘述。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

本发明中应用了具体实施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。