基于自适应Siamese网络的无人机目标跟踪算法

无人机已被广泛应用到军事和民用领域，目标跟踪是无人机应用的关键技术之一。针对无人机跟踪过程中目标易发生形变、遮挡等问题，提出一种基于自适应Siamese网络的无人机目标跟踪算法。首先，利用2个卷积网络构建一个5层Siamese网络，通过对模板特征与当前帧图像特征进行卷积得到目标位置；其次，利用高斯混合模型对以往的预测结果进行建模并建立目标模板库；然后，从模板库中挑选出最可靠的目标模板并以此更新Siamese网络的匹配模板，使Siamese网络能够自适应目标的外观变化；最后，引入回归模型进一步精确目标位置，降低背景对网络性能的影响。仿真实验结果表明：该算法有效降低了形变、遮挡等情况对跟踪性能的影响，具有较高的准确率。     

基于Leader-Follower编队的无人机协同跟踪地面目标制导律设计

对地面目标的自动跟踪是无人机在任务应用阶段需要解决的重要问题之一,多无人机协同跟踪能够提高对目标运动状态的估计精度并降低目标丢失的概率,因而具有重要研究意义。本文提出了一种基于Leader-Follower编队的无人机协同跟踪制导方法,解决了传统Standoff跟踪模式对地面目标的速度范围限制问题。首先,通过控制无人机的航向不断趋近于地面目标牵连跟踪圆切线方向的方法设计了Leader无人机自动跟踪地面目标的制导律并完成了稳定性证明;其次,通过控制Follower无人机的速度和航向角逐渐趋近于Leader无人机速度和航向的协同跟踪策略,分别设计了Follower无人机自动跟踪Leader无人机的制导律和编队相位协同制导律并完成了稳定性证明;最后,分别针对静止目标、匀速直线运动目标和变速运动目标的跟踪问题进行了仿真验证,结果表明所提出的制导方法能够实现对不同运动状态地面目标的自动协同跟踪,并且跟踪性能优于基于李雅普诺夫向量法的制导方法。     

无人机控制律仿真

文中将粒子群优化算法及动态逆控制方法,应用到无人机控制律的设计与仿真验证中。设计了动态逆控制律及其仿真,引用了基于动态逆控制理论的无人机控制律。应用动态逆控制(Dynamic Inversion Control,DIC)技术,设计了姿态角速率回路与姿态角回路,作为无人机控制系统的内回路;应用PID (比例、积分、微分控制技术,设计了三轴位移回路,作为控制系统的外回路。通过PSO优化算法及样条函数,设计了符合无人机使用要求的航迹曲线。最后,对航迹点进行样条插值,得到平滑的航迹曲线。对无人机控制律响应与航迹跟踪,进行了综合仿真验证。仿真结果表明,所设计的无人机控制律,在允许精度的范围内,跟踪无人机预定航迹效果良好,满足无人机飞行控制需求。     

跟踪移动目标的无人机飞行控制设计与试验

为实现无人机跟踪移动目标的飞行,设计了一种位置-姿态控制算法。通过基于模型的设计方法,以较低成本、快速地实现了相关算法的软件开发,并进行飞行试验。利用Simulink的代码自动生成工具,生成了符合航空航天及自动化行业规范的控制软件,实现了从系统级仿真到工程实现的无缝过渡。并开发制作了控制器硬件和多架四旋翼无人机,其中,一架作为目标,一架搭载位置跟踪控制器。最后,将位置控制软件部署至控制器上,进行了移动目标的跟踪,结果显示,整体具有较好的跟踪控制性能,证明了所设计的位置控制器软硬件的正确性和有效性。     

无人机跟踪运动目标航迹规划算法

对无人机跟踪运动目标的原理进行了分析,设计了跟踪系统的动力学模型,提出了一种基于切线法的航迹规划算法。在动力学约束条件下实现了对无人机的航迹、速度、加速度等的最优控制,从而解决了无人机跟踪运动目标问题,并给出了算法的具体设计步骤。仿真结果表明,该算法能够快速、有效地为无人机规划出跟踪运动目标的最优航迹。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

飞行小目标自适应双波门跟踪算法

波门跟踪是一种利用实际图像处理的区域范围的视觉跟踪算法。在飞行小目标信噪比较低的情况下,现有方法往往不能获得稳定的跟踪结果。针对小目标跟踪的特点,提出了一种自适应双波门的跟踪算法。该算法采用帧间差分算法检测小目标,通过质心标定修正当前帧目标的初始位置,并利用最小二乘估计预测算法实现目标范围的估计,从而实现自适应跟踪的目的。实验结果表明,即使在飞行小目标被短时遮挡情况下,利用本算法也能稳定地检测出它的位置,能根据目标的轮廓自适应地确定目标波门形状,并能有效解决目标跟踪偏移和短时丢失等问题。     

基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。     

基于深度学习的无人机航拍视频多目标检测与跟踪研究进展

随着无人机航拍的数据采集愈加便捷，以无人机为平台的多目标检测与跟踪技术发展迅速，在智慧城市、环境监测、地质探测、精准农业和灾害预警等民用和军事领域有着广泛的应用前景，近年来深度学习的突飞猛进也为其提供了多种更为有效的解决思路。然而，无人机视角下目标外观发生突变、目标区域被严重遮挡以及目标消失和重现等挑战性的问题尚未完全解决。综述了基于深度学习的无人机航拍视频多目标检测与跟踪算法，总结了该领域的最新进展，包括多目标检测、多目标跟踪2个模块。多目标检测模块划分为双阶段与单阶段两个部分。对于多目标跟踪模块则依据基于检测的跟踪和联合检测的跟踪2个经典框架，分别阐述了2类算法的原理并分析其优缺点。随后对现有的公开数据集进行统计分析，并对基于无人机航拍视频的多目标检测与跟踪领域内标杆挑战赛VisDrone Challenge近年来的最优方案进行了对比分析。最后总结了无人机视角下多目标检测与跟踪亟待解决的问题并展望未来可能的研究方向，为后续相关研究的人员提供参考。     

非线性动态逆空中加油自主对接控制

为实现无人机空中加油自主对接控制,建立了尾流影响下的UAV六自由度模型。基于非线性动态逆,设计了空中加油自主对接控制律。在常规非线性动态逆控制律设计的基础上,改进了航迹、姿态、角速率和自动油门等回路。通过设计航迹跟踪控制律和动态逆自动油门,实现了对锥套位置的跟踪和对接;考虑协调转弯约束和爬升速率约束,在设计过程中以姿态角代替气流角,克服了气流角控制带来的幅值、速率过大的问题,使受油机的控制更加稳定。最后通过仿真,验证了动态逆自主对接控制律的有效性。     

空中运动目标的识别和跟踪控制

针对空中运动目标的识别和跟踪,提出图像匹配算法和连通域算法相结合的方法。该方法主要用图像匹配算法获得目标的位置信息,当图像匹配算法失效时,则采用连通域算法重新捕获目标、获得图像模板。同时,为提高跟踪的实时性,采用最小二乘线性预测法来预测目标的运动轨迹。在实验室的目标跟踪系统平台上,该方法能够对运动目标进行稳定的识别和跟踪。     

基于单轴光电探测系统的MUAV目标捕获与盘旋跟踪系统

研究了基于侧向单轴光电探测系统的微小型无人飞行器(MUAV)捕获、跟踪地面目标的飞行控制方法,提出一种探测器单轴消除视场y向失谐角,MUAV航向控制消除视场x向失谐角的控制方案。采用常规的飞行动力学纵向和侧向运动方程及小干扰线性化方法,并分别对MUAV定高寻航迹段、目标搜索捕获段及盘旋跟踪段进行了MATLAB仿真。分析了侧向突风以及飞机俯仰角变化对视场中x向失谐角的耦合影响,并提出了解决方案。仿真结果验证了所提方案的有效性,其能够满足MUAV持续盘旋跟踪地面目标的飞行任务。     

机载雷达目标跟踪与航迹信息提取

针对机动目标跟踪中航迹信息提取精度不高的问题,提出一种ECEF坐标系下基于交互多模型的多机协同跟踪算法。首先,各载机以ECEF坐标系为融合中心对目标量测进行无偏转换处理,以有效减小量测转换误差对目标跟踪的影响;然后,利用交互多模型的方法对目标进行融合跟踪,以进一步提高目标机动时的跟踪精度;最后,通过二次滤波的方法,来有效实现目标航迹信息的精确提取。仿真结果表明,该算法可较好地提高目标机动时的跟踪精度和航迹信息提取精度。     

多坐标系下目标跟踪的联合滤波

针对雷达目标观测和处理在不同的坐标系下完成，本文提出了联合滤波算法来跟踪机动目标。该算法以卡尔曼滤波器为基础，直角坐标系下和极坐标系下的算法相联合，不仅克服了两种坐标系下滤波算法的不足，而且对机动目标有很好的跟踪效果。仿真实验结果表明了该算法的有效性。     

基于人工神经网络的多模型目标跟踪算法

针对在目标跟踪中单模型跟踪算法难以应对目标运动形式的变化,而多模型跟踪算法存在结构固定、跟踪精度被非匹配模型削弱且模型切换缓慢的矛盾,文章提出了一种基于人工神经网络的多模型目标跟踪算法。通过分析目标几种基本运动模式的轨迹特点,归纳出目标运动轨迹的特征向量。利用训练好的BP神经网络对滑窗里的轨迹段进行运动模型识别,按结果进行跟踪模型切换,达到使跟踪算法实时适应目标运动状态的目的。仿真结果证明了该算法的有效性,且与传统的多模型算法相比,具有结构更加简单、更强的灵活性和拓展性的特点。     

无人机航迹跟踪抗侧风制导算法

无人机作为航空飞行器的一种,具有诸多应用价值,精确的航迹跟踪是其完成飞行任务的必要条件。在无人机飞行控制系统的制导外回路,实现一种具有抗风性能的横向非线性制导算法(NLG),基于航迹参考点实时测算无人机侧向加速度,并根据无人机力学方程得到滚转角指令,实现无人机的航迹跟踪。该制导算法只需确定合适的距离参数L,即可实现较为精确地制导,加入反馈环节以得到改进的闭环非线性制导算法。在侧风条件下进行仿真分析,结果表明:改进后的非线性制导算法是正确的,其具有良好的抗风性能。     

基于鲁棒伺服 LQR的无人机横航向自动着陆控制律设计

针对无人机自动着陆过程中外部不确定性强,影响控制精度和飞行安全的问题,提出一种基于鲁棒伺服线性二次型(Linear Quadratic Regulator,LQR)的横航向自动着陆控制律设计方法。基于鲁棒伺服LQR设计滚转姿态保持内回路,设计航向保持/预选模态和航向信标(Localizer,LOC)截获与跟踪模态,实现横航向轨迹的稳定与精确跟踪。数字仿真结果表明,该方法具有较好的控制效果。