基于分散注意力机制的无人机目标跟踪算法

针对无人机平台的目标跟踪场景中目标小、形变大、背景复杂、易出现目标遮挡等问题,提出了一种基于分散注意力机制的无人机目标跟踪算法。首先,针对背景复杂、目标遮挡问题,在特征提取残差网络中引入分散注意力机制,增加卷积通道间的相互作用,赋予通道间自注意力权重。其次针对小目标、尺度变化大,添加特征金字塔结构,增加高语义信息在特征图中的占比,提高无人机场景下多尺度目标的跟踪能力,提高跟踪精度。在无人机公开数据集UAV123上采用一次通过评估模式进行测试,所提算法精度达到了82.7%,成功率达到了61.6%。实验结果证明论文所提算法的测试结果优于目前主流的目标跟踪算法,有效地提升了无人机在复杂场景下指定目标跟踪的精度和鲁棒性。

基于几何控制的四旋翼轨迹跟踪方法

针对欠驱动四旋翼无人机在大角度和复杂机动飞行中的控制问题,提出了一种基于几何控制的轨迹跟踪方法,该控制器具有全局稳定性,系统可以从任何初始状态恢复。首先,对四旋翼系统构型进行建模,解决了非线性流形上平移动力学和旋转动力学之间的耦合效应;其次,针对动态系统的基本几何特征,采用微分几何方法设计了跟踪控制器;最后,对该系统进行仿真验证了轨迹跟踪的闭环稳定性。仿真结果表明,当初始姿态误差小于90°时,系统表现出指数稳定性;当初始姿态误差大于90°小于180°时,系统具有全局指数吸引性。

基于深度学习的超低空景深估计方法研究

利用单目深度估计辅助飞行器超低空飞行的制导与控制是一个非常重要的发展方向。基于此在自监督学习框架下研究了一种基于单目图像的超低空景深估计方法:以立体图像对为训练集,采用左右一致性原则,有效提高网络准确率,并通过多尺度统一,改善了深度图中的空洞问题。在KITTI数据集和自制的超低空样本集上的实验结果表明论文所提方法能有效应用于超低空场景下的深度估计。

基于多分支卷积的单目深度估计方法研究

单目深度估计目前存在精度欠佳和物体边界深度预测模糊等挑战,针对上述问题,论文提出了一种基于多分支卷积的单目深度估计算法,利用复杂的卷积结构提取场景中更丰富的语义信息。模型在训练阶段使用四分支卷积替代原有单分支卷积,测试部署时可将多支路卷积的权重参数移植到原单支路网络上,从而网络模型在测试及使用阶段不会增加额外的推理时间。在公开数据集的测试对比中,论文提出的方法预测的深度图结果更加清晰,能有效地应对图片中物体边界等区域,实验结论证明论文提出的方法具备一定的有效性。

基于融合数据关联的无人机多目标跟踪算法

针对无人机视频中因目标被遮挡导致的身份跳变(ID Switch)问题,提出了一种基于融合数据关联的无人机多目标跟踪算法。该算法基于YOLOv4-tiny目标检测算法和DeepSORT目标跟踪算法实现无人机视频中多目标的实时检测与跟踪,并对级联匹配的数据关联进行优化,实现局部约束下的全局关联。首先,利用YOLOv4-tiny检测器获取目标检测框;其次,通过构造边缘代价函数计算最低成本,找到最佳数据关联,并在无人机视频帧上实现融合型数据关联;最后,采用CLEAR MOT评价指标进行了性能评估,并与基准的YOLOv4-tiny DeepSort算法进行了比较。实验结果表明,论文算法较基准算法跟踪准确度提升1%,身份跳变次数减少4%,提高了无人机的跟踪性能。

基于YOLOv5网络架构的着陆跑道检测算法研究

为突破无人机自主着陆技术工程应用中跑道目标快速鲁棒检测这一技术瓶颈,提出了一种基于YOLOv5网络架构的快速跑道检测方法。在YOLOv5网络架构的基础上进行改进,首先,对获取的机载前视图像进行数据增强,以提升网络模型的鲁棒性;其次,对不同尺度、不同维度特征进行融合,以提升网络检测精度;然后,在预测层损失函数的设计中融入跑道的几何特征,以优化预测模型。为验证方法的有效性,采用AirSim开发了复杂着陆场景下的可见光图像数据集,在此基础上对方法进行了测试。仿真结果表明,所提跑道检测方法的平均检测速度可达125 frame/s,平均检测精度为99%,优于传统目标检测方法,满足对跑道区域快速、精确检测的要求。