传感器网络下机动目标动态协同跟踪算法

对传感器网络下的机动目标跟踪问题提出一种分布式传感器节点动态分簇、协同跟踪算法. 通过在线优化目标跟踪的性能函数和通讯代价, 自适应地选择节点并动态分簇, 通过多传感器节点的协同感知以及信息融合提高了跟踪精度. 由于问题的非线性和传感器节点的随机性, 本文基于粒子滤波器在线预测和估计目标状态的概率分布, 使用混合高斯粒子滤波器以及选择最短路径用于传感器节点之间的信息交换节约了通讯能量, 通过一种有效的粒子方法逼近目标状态的预测方差以实现传感器节点的最优选择. 仿真结果表明, 与 IDSQ 算法相比较, 本文提出的动态分簇算法实现了对机动目标的高精度跟踪.     

基于特征融合与分类器在线学习的目标跟踪算法

为了解决目标在复杂环境下表观变化引起的跟踪漂移问题,提出一种基于多特征融合与分类器在线学习的目标跟踪算法.该算法利用不同表观特征训练子分类器,通过构建损失函数求得各子分类器可信度,进而加权融合子预测结果,得到当前帧最佳目标状态估计;同时,依据最近-最远边界原则和协同训练理论粗更新训练样本集,并通过精选择准则得到更具代表性的训练样本集,实现子分类器自适应更新.实验结果表明,所提出的算法在多种典型测试场景中都能取得较鲁棒的跟踪效果.     

基于集散式模型预测控制的多无人机协同分区搜索

针对多无人机在对大范围目标区域执行协同搜索任务时搜索资源分配不均、容易因频繁转场造成资源浪费等问题,借鉴集中式控制和分布式控制结构的优点,建立了集散式多无人机(unmanned aerial vehicle,UAV)协同搜索结构体系,通过聚类分析和V图划分等方法对目标区域进行分区,结合各子区域任务特点对无人机群进行搜索任务分配,并采用一种经改进后可有效增大UAV预测范围的预测控制模型,研究了动态环境下多UAV集散式协同分区搜索问题,最后,将所提方法与常见几种协同搜索方法进行对比仿真,获取仿真结果验证了所提方法在目标发现概率和搜索效率方面的有效性和优越性.     

随机网格回归Monte Carlo双UAVs最优目标协调跟踪

针对多个无人机(unmanned aerial vehicle,UAV)执行基于视觉的目标跟踪的最佳协调问题,提高不可预知的地面目标的最佳结合点的视觉测量效果,提出了一种基于随机网格回归Monte Carlo的UAV最优目标跟踪策略。首先,通过无人机动力学和目标动力学分析,获得双UAV情况下的随机最优协调控制目标;其次,针对提出的控制目标,引入Monte Carlo求解方案,同时为解决标准Monte Carlo方案中存在的状态空间维度较高,计算复杂且精度不高的问题,利用随机网格方式构建回归Monte Carlo方案,实现UAV的最优协调控制;最后,通过仿真实验验证了所提方法的有效性。     

多无人机模糊多目标分布式地面目标协同追踪

针对城市环境中多约束条件下多无人机协同追踪地面目标问题,综合考虑具有不同重要性等级的多个优化目标,提出了一种基于分布式预测控制的模糊多目标航迹规划方法.首先,考虑城市环境中建筑物对无人机视线遮挡、无人机和传感器能量消耗等因素,分别采用目标覆盖度、控制输入代价和开关量形式传感器能耗等为目标函数,将多无人机协同追踪航迹规划转化为多目标优化问题;然后,基于分布式预测控制框架,利用每架无人机未来有限时域内的预测状态,构建多无人机之间的避碰约束,并结合最小转弯半径等约束,形成分布式协同航迹规划模型;最后,针对多个优化目标的不同重要性等级要求,利用模糊满意优化思想将目标模糊化,并根据更重要目标具有更重要满意度的原则,将优先等级表示为松弛满意度序,通过在线求解得到有限时域内每架无人机的局部航迹;与传统多目标加权算法仿真结果对比,验证了所提方法的有效性,充分说明了该方法能够获得同时满足目标优化和重要性等级要求的最优航迹.     

基于SIM-GM-PHD的低可观测目标跟踪算法

针对多传感器协同探测多个低可观测目标问题,提出一种基于强度叠加的多传感器高斯混合概率假设密度(SIM-GM-PHD)滤波器,并提出目标状态的两步提取策略.首先,利用跟踪门对预测强度函数中每个高斯分量选择有效传感器集合;然后,利用各传感器量测数据更新其对应的高斯分量,叠加所有传感器的局部后验强度以及全局漏检强度得到融合后验强度;最后,提出目标状态的两步提取策略对目标的个数与状态进行估计.仿真结果验证了所提出算法的有效性.     

基于通信与观测联合优化的多无人机协同目标跟踪控制

为了提高目标跟踪任务的执行效能,提出一种基于通信与观测联合优化的多无人机协同运动目标跟踪控制方法.建立以信息成功传递概率描述的通信链路模型,采用扩展信息滤波实现目标状态融合估计与预测,使用Fisher信息矩阵对无人机观测所获取的信息进行表征.通过将信息成功传输概率引入到优化指标函数中,建立多无人机协同目标跟踪运动控制的滚动时域优化模型,实现通信与观测的联合优化,而这种联合优化体现在提高无人机与地面站之间信息成功传输概率与降低目标状态估计不确定性之间的折中.与不考虑通信优化的跟踪控制对比表明,所提方法可以提高跟踪过程中各架无人机与地面站之间的信息传输概率,使目标状态的全局融合估计结果更精确、更有效.     

结合PN约束在线半监督boosting目标跟踪算法

针对在现有的基于在线半监督boosting的目标跟踪算法中,当目标发生遮挡或快速移动导致分类器更新过程中有错误引入时,其自训练机制会造成分类器错误累积进而产生跟踪漂移甚至导致跟踪失败的问题,提出了一种基于结合正负样本约束的在线半监督boosting的目标跟踪算法（简称PN-SemiT）。该算法在原有的在线半监督boosting跟踪算法的基础上,通过增加正负样本约束条件来实时纠正分类器的错误,并且将目标的先验模型和在线分类器相结合,通过不断迭代更新分类器来预测未标记样本的类别标记和权重。实验结果表明,与传统的在线半监督boosting目标跟踪算法和其他跟踪算法相比,PN-SemiT具有更优异的跟踪性能,能够在复杂的跟踪环境下有效缓解目标跟踪漂移问题。     

基于多区域联合粒子滤波的人体运动跟踪

针对视频人体运动跟踪中的遮挡问题, 提出了一种基于多区域联合粒子滤波器的跟踪方法. 算法把人体划分为多个关键区域, 通过基于多区域无向图的联合运动模型, 构造联合粒子滤波器, 并运用区域关联的观测评估策略对目标状态进行联合预测, 从而完成遮挡情况下目标的跟踪. 实验结果表明, 与基于单区域粒子滤波的跟踪方法相比, 本文提出的算法在具有较长时间部分和全部遮挡的跟踪问题上, 取得了较好的实验结果.     

基于HOG与多实例在线学习的目标跟踪算法

为实现在局部遮挡、光线变化等复杂背景下的目标跟踪,提出一种基于梯度方向直方图(HOG)与多实例在线学习的目标跟踪算法.利用已标定目标图像的HOG特征空间,结合局部二值模式(LBP)描述方法获取特征向量,构建初始随机蕨检测算子,采用随机多尺度采样方法跟踪每一帧的目标位置和尺寸,并基于多实例在线学习框架,通过检测到的目标样本以及附近的背景样本在线更新检测算子.将该算法与OnlineB oostingTracker,MILTracker等在线学习目标跟踪算法在多个标准视频序列中进行比较,实验结果表明,该算法在局部遮挡和光照变化的环境下具有较好的跟踪稳定性,但在抗目标旋转方面有待优化.     

基于超宽带定位的四旋翼目标跟踪技术研究

针对无人机室内地面目标跟踪问题,论文提出了一种基于超宽带室内定位技术的跟踪方法.首先建立了四旋翼和地面机动目标的动力学模型.然后,通过超宽带定位技术得到目标的量测信息.其次,利用扩展卡尔曼滤波估计目标的状态信息达到减少跟踪误差的目的,并且基于解算的信息提出了人工势场法作为四旋翼的路径规划算法.最后利用反步法控制策略解决...     

基于Tiny-YOLOV3的无人机地面目标跟踪算法设计

为了提高四旋翼无人机对地面目标跟踪的稳定性和跟踪精度,提出了一种结合Tiny-YOLOV3和卡尔曼滤波的跟踪算法;首先分析了Tiny-YOLOV3的原理和网络结构,并基于Tiny-YOLOV3的目标检测结果,结合无人机状态和目标的几何关系建立了目标跟踪系统的数学模型;接着对目标相对运动关系进行分析,建立目标的运动学模型,考虑到目标检测结果受干扰影响较大,应用卡尔曼滤波器实现对目标轨迹的滤波和预测,进而提升目标跟踪的精度;最后根据经过卡尔曼滤波后的目标轨迹信息设计无人机控制律,在轨迹控制的同时引入对无人机偏航角的控制,从而实现无人机对目标的稳定跟踪;仿真结果表明无人机对目标的位置跟踪精度在0.5 m以内,速度跟踪误差在0.2 m/s以内,偏航角跟踪误差在3°以内,跟踪效果良好,从而论证了所提算法的有效性。     

基于双目视觉的无人飞行器目标跟踪与定位

针对小型无人飞行器跟踪目标的问题,提出了一种基于双目视觉和Camshift算法的无人飞行器目标跟踪以及定位算法。双目相机得到的左右图像通过Camshift算法处理可得到目标中心特征点,对目标中心特征点进行三维重建,得到机体坐标系下无人飞行器与目标间的相对位置和偏航角,应用卡尔曼滤波算法对测量值进行了优化,将所得估计值作为飞行控制系统的反馈输入值,实现了无人飞行器自主跟踪飞行。结果表明所提算法误差较小,具有较高的稳定性与精确性。     

基于孪生区域建议网络的无人机目标跟踪算法

在无人机跟踪过程中,遮挡、光照变化、背景干扰等影响会导致跟踪目标丢失。基于SiamRPN算法提出一种无人机目标跟踪算法。通过在网络中加入空间条带池和全局上下文模块建立远程上下文关系,以适应不同的跟踪场景。同时利用改进交并比的计算方法提取目标特征,并回归精准的预测框。在UAV123数据集上的实验结果表明,相比SiamRPN、SiamFC、SAMF等算法,该算法的跟踪性能较优且具有较强的鲁棒性,尤其在背景干扰环境下,其精确率和成功率较SiamRPN算法分别提升了6.54%和11.63%。     

Cooperative Tracking a Moving Target Using Multiple Fixed-wing UAVs

A cooperative tracking scheme is presented in this paper for multiple fixed-wing unmanned aerial vehicles (UAVs) to track an uncooperative, moving target. It is comprised of a target loitering algorithm and a formation flight algorithm. The loitering algorithm enables a constant speed UAV to circle around a moving target, whose speed is allowed to vary up to the UAV’s speed. The formation algorithm enables cooperative tracking using multiple UAVs by keeping them flying in a circular formation with equal inter-vehicle angular separation. Under this formation algorithm, the formation center can be controlled independently to perform target loitering, and the admissible range of the target’s speed would not be affected for given UAVs. The performance of the proposed tracking system is verified in numerical simulations.     

基于机动目标模型的无人机视场跟踪仿真研究

为了跟踪地面机动目标,对无人机的视场进行了研究;分析了视场中目标位置的解算以及飞机、目标与视场的运动关系,并建立了三者的相对位置关系模型,推导出视场对目标进行跟踪的控制量;简要介绍了机动目标的"当前"统计模型及其自适应滤波算法,在该算法对目标跟踪的基础上,可以更准确地计算出视场校正控制量;对视场跟踪进行了仿真验证,利用飞行航迹和目标轨迹模拟,无人机盘旋跟踪地面运动目标,实时计算出偏差角控制量并调整视场;仿真结果表明,视场对机动目标的跟踪效果良好,算法稳定可靠.     

一种双无人机协同跟踪地面移动目标方法

针对通信延时情况下双无人机协同跟踪地面移动目标问题进行研究, 构建了基于分布式遗传算法和滚动时域优化结合的目标跟踪航迹规划算法模型。考虑到通信延时会增加目标状态信息数据融合时的误差, 导致无人机跟踪任务效果变差, 结合递推最小二乘滤波和加权最小二乘估计设计了融合方法, 来融合处理目标状态信息; 考虑到无人机对目标的观测效果与未来时刻的目标状态信息密切相关, 采用递推最小二乘滤波预测目标的状态信息, 结合分布式遗传算法和滚动时域优化设计了双无人机目标跟踪航迹规划算法。适应度函数考虑了无人机和目标之间的距离、无人机之间的通信距离、无人机之间的通信角度。仿真结果表明：该协同跟踪方法能够较好地完成跟踪任务; 与一架无人机跟踪相比误差明显减小, 并且可以减小通信延时带来的跟踪误差。     

Detection Avoidance and Priority-Aware Target Tracking for UAV Group Reconnaissance Operations

In this paper, we present a novel approach for stationary target tracking in reconnaissance operations with a small UAV group. A reconnaissance mission has multiple competing requirements, such as short scan time and repetitive scanning of the entire area, target recognition, and target tracking. Especially in real-world military reconnaissance scenarios, different types of targets with hostile characteristics exist. The UAVs must scan and track the targets while avoiding detection by enemies. Although small UAVs are unlikely to be detected, they become prone to detection if their path is predictable. To meet these competitive requirements, we propose an attractive pheromone-based cooperative path planning method that makes path prediction almost impossible by ensuring a random path selection mechanism. To avoid detection during target tracking, we implement a new discrete-time tracking scheme with random time intervals and random path planning for multiple UAVs. The proposed model enables a UAV group to sporadically scan the entire area, quickly locate the targets, and simultaneously track the targets based on their priority. In addition, it offers a mechanism that permits the command and control center to balance between reconnaissance and target tracking operations to meet every mission requirement.     

无人机目标实时自适应跟踪系统

随着无人机(unmanned aerial vehicle,UAV)在航拍、空中侦察等相关领域被广泛应用,对于无人机的智能化需求逐渐提高.目标跟踪具有信息量大、实时性高等优点,能够为无人机的智能飞行提供大量且实时的外部信息.进行低开销、低功耗的无人机目标跟踪系统的研究,对无人机智能化进程的加速具有深远意义.为更好解决跟...