多车协同目标跟踪方法

地面无人系统中多车信息融合技术是提升系统环境感知能力的重要途径。针对单车传感器存在视野遮挡及盲区导致的目标跟踪不连续不稳定问题,提出一种集中式多车协同感知的结果级融合系统模型。该系统模型采用激光雷达作为车辆感知传感器,对不同车辆构建的环境栅格地图在主控端采用D-S证据理论进行融合、得到全局静态环境地图,完成多车协同感知环境模型的构建。在此环境模型基础上设计一种多车协同目标检测与跟踪方法,采用极大值抑制的方法解决检测目标融合冲突;设计一种级联动态目标匹配与跟踪管理方法,完成目标预测跟踪并将结果下发给各车。由两辆无人车组成的实车系统测试结果表明：当出现目标遮挡时,所提多车协同目标检测与跟踪架构相对于单车感知在环境表征上能够获得更全面的目标信息,跟踪目标未出现漏检,未发生跳变;跟踪器输出位置状态结果与检测结果误差较小,能够对所跟踪目标的状态进行准确估计,跟踪轨迹保持连续,有效提高了单车环境感知视野。     

无人攻击机对地目标检测门限优化研究

从作战应用实际出发，结合近几年国内外研究成果，对无人攻击机对地目标检测进行优化研究，建立无人攻击机对地目标检测能力模型，分析影响无人攻击机检测能力各因素的耦合关系。建立无人攻击机对地目标的检测的优化模型，解决不同作战环境下无人攻击机检测门限的优化设置问题。实例验证该模型有效，可为制定无人攻击机对地攻击最优策略提供依据。     

一种基于深度学习的无人艇海上目标识别技术

目前,我国正在大力发展海洋武器装备,其无人化研究得到广泛关注,其中海上无人艇智能化是研究热点。针对我军对海上大中型目标检测和高精度定位的需求,进行基于深度学习的海上无人艇目标识别技术设计。设计了多源、多体制协同感知架构,以解决设备智能计算任务重复与资源浪费和深度学习加速问题;进行多层次特征提取、分析、融合技术设计,确定单/多传感器特征选取对象;开展基于深度学习的多特征目标检测、识别技术设计,建立基于深度学习网络的多源多维联合检测、识别处理方法。实验验证结果表明,所设计的方法对可见光图像识别率达99.7%以上,具有良好的识别效果。     

基于改进快速区域卷积网络的目标检测轻量化算法

基于深度学习的目标检测算法已成为合成孔径雷达(SAR)图像目标检测任务的主流.深层网络通常具有大量参数,运行速度不能满足实时要求,难以在资源受限的设备(如移动端)上部署.考虑到对模型实时性和可移植性的要求,对双阶段目标检测算法快速区域卷积神经网络进行轻量化改进,比较不同改进方法对算法速度与精度的影响.结合SAR图像的特...     

地面无人平台3D目标检测算法综述

从单目相机、激光雷达、多传感器融合、立体视觉4个方面对3D目标检测算法的优缺点进行了分析,认为基于相机和激光雷达的数据融合是今后3D目标检测算法的重要发展方向.     

水下无人航行器编队识别目标的一种融合方法

本文提出了一种基于分布式信息一致性理论的水下无人航行器编队目标识别的新的融合方法,目的是得到编队对目标身份的一致判断.文中建立了水下无人航行器编队的网络模型,设计了可实现编队对目标身份一致判断的算法,证明了该算法达到一致性的条件,最后通过实例仿真验证了该算法的有效性.     

一种基于分层多尺度卷积特征提取的坦克装甲目标图像检测方法

针对坦克装甲目标的图像检测任务,提出一种基于分层多尺度卷积特征提取的目标检测方法。采用迁移学习的设计思路,在VGG-16网络的基础上针对目标检测任务对网络的结构和参数进行修改和微调,结合建议区域提取网络和目标检测子网络来实现对目标的精确检测。对于建议区域提取网络,在多个不同分辨率的卷积特征图上分层提取多种尺度的建议区域,增强对弱小目标的检测能力;对于目标检测子网络,选用分辨率更高的卷积特征图来提取目标,并额外增加了一个上采样层来提升特征图的分辨率。通过结合多尺度训练、困难负样本挖掘等多种设计和训练方法,所提出的方法在构建的坦克装甲目标数据集上取得了优异的检测效果,目标检测的精度和速度均优于目前主流的检测方法。     

反舰导弹多目标识别技术探讨

应用模糊分类判决原理 ,探讨了反舰导弹末制导雷达同时捕获多个目标时如何优先选择主要目标进行攻击的问题 .进行了多目标分类判别以及主要目标识别的理论分析 ,并建立了相应的数学模型 .其方法可为反舰导弹末段对主要目标和装订目标的识别方案设计提供参考     

基于轨迹规划与CNN-LSTM预测的履带式混合动力无人平台能量管理优化

混合动力能量管理策略是混合动力系统的关键技术之一,对整车效率和燃油经济性等综合性能起到决定性作用。对于履带式混合动力无人车辆,其复杂的行驶工况对能量管理策略提出更高要求。在传统工况预测方法的基础上,提出一种基于无人驾驶轨迹规划的卷积神经网络与长短期记忆网络的预测模型。针对系统状态变量与控制变量搜索范围广、计算量大的问题,优化动态规划算法以获得最优控制序列;设计模型预测控制方法实现能量管理优化控制;通过实车试验进行验证。研究结果表明,采用卷积神经网络与长短期记忆网络的预测模型比基于规划速度的直接预测模型的精度提高了3%;基于该模型预测控制的能量管理实时优化策略,比基于传统多步神经网络策略的等效燃油消耗量减少了3.9%,改善了整车燃油经济性。     

基于模糊神经网络的坦克目标识别

坦克是陆地战场上的主战武器之一,坦克目标识别是反装甲技术的基本前提,本文基于新型磁探测器对坦克目标磁场信号进行测量,结合运用模糊神经网络技术,对坦克目标进行模型化识别,并采用MATLAB的ANFIS工具箱进行测试与仿真,实现了对坦克和军用卡车的类别和运动方向的正确识别。     

无人机航迹规划分段需求分析

介绍了无人机的作战使用特点,说明了无人机的航迹规划过程.依据分段需求分析的思想,对无人机全程航迹进行了需求分析,探讨了各段航迹规划的目标.分析了各段航迹面临的威胁并建立了相应的模型,对无人机航迹规划系统的设计与实现具有一定的参考意义.     

无人驾驶轮式车辆电控气压制动技术研究

以有人驾驶4×4轻型战术轮式车辆为基础,开展无人驾驶电控制动技术研究。针对原车气压制动的结构和特点,设计一种电控气压制动系统,实现该车无人驾驶模式电控制动功能的同时,保留人工驾驶模式人工制动功能,且两种模式能够灵活切换。通过实车试验辨识电磁阀控制特性、不同路面车辆滚动阻力系数、电控制动车辆减速度与车速及控制输入的关系,并与无人车辆其他模块联调,为后续无人车辆控制策略的制定提供试验依据和理论支撑。试验结果表明：所开发的电控气压制动系统能够快速、精确地响应制动请求,人工行车制动与电控行车制动切换灵活、过渡平稳,可广泛应用于其他使用气压制动系统的商用车辆,以实现无人驾驶或辅助驾驶功能。     

无人机自主着陆过程中的视觉导航技术分析

为解决目前国内外无人机难以实现自动着陆的问题,对无人机着陆过程中的视觉导航技术进行研究.介绍了飞行器的降落等级和着陆阶段,分别对无人机着陆过程中的图像处理技术和位姿估计问题进行分析,重点研究着陆过程中的图像特征提取技术和位姿估计的迭代算法.研究结果表明:将视觉导航与其他导航方式相结合,发展鲁棒性好、精度高、实时性好的组合导航位姿估计融合算法将是未来视觉导航的发展重点.     

无人水下航行器发射鱼雷初始弹道分析

为分析鱼雷从无人水下航行器发射后的航行安全性,建立了鱼雷发射后的初始弹道模型并进行了仿真,分析了鱼雷发射参数对初始弹道的影响,确定无人水下航行器发射某型鱼雷的合理参数,并进一步分析了初始弹道中鱼雷的航行姿态以确保结论的正确性.仿真结果表明在合理设置发射参数的前提下,鱼雷从无人航行器发射后初始弹道符合战场环境的要求,无人水下航行器发射鱼雷是完全可行的.     

基于SSD 的小目标特征强化检测算法

为解决原始单次多框目标检测(single shot multibox detector,SSD)目标检测算法中对小目标物体检测能力不足的问题,提出一种改进的SSD目标检测算法.采用VGG19作为特征提取网络,在低层特征图部分引入Conv3_3卷积特征图,对Conv4_4进行转置卷积操作,将转置卷积后得到的Conv4_3同Conv3_3的特征图进行特征拼接,实验部分使用VOC数据集对模型进行训练与测试.结果表明:该算法可提高检测能力,目标检测精度能比原始SSD算法提高3.6％,小目标检测效果比改进前也有明显提升.     

水面无人艇系统架构设计与构建

针对新技术新能力快速形成的装备发展趋势,分析水面无人艇系统的组成和架构设计需求。明确面向无 人艇系统设计的原则和目标,提出水面无人艇架构设计的技术路线、构建步骤、分层功能域架构设计和通用接口设 计参考规范。实艇测试证明了整体架构设计的有效性。结果表明,该系统架构设计可有效缩短无人艇新任务能力的 开发和部署时间。     

地面无人作战平台环境感知关键技术研究

介绍了国内外地面无人作战平台环境感知技术的发展现状,在分析环境感知的立体视觉信息处理技术、主动型传感器信息处理技术、平台自主定位技术、多传感器信息集成与数据融合技术、障碍物检测技术等关键技术的基础上,探讨研制地面无人平台环境感知系统的方案设计．     

基于切换视线法的欠驱动无人艇鲁棒自适应路径跟踪控制

针对欠驱动无人艇（USV）的航路点路径跟踪问题,提出了一种鲁棒自适应控制方法。设计了一个新的切换型视线（LOS）法制导律,以引导USV始终以最佳LOS圆半径趋向期望路径。与传统制导律相比,切换型LOS法制导律具有运算负载小、收敛速度快的特点。考虑到USV模型的不确定性及环境干扰未知时变性,开发了一种复合神经网络控制器来增强系统鲁棒性。通过在网络输入中增加预测误差信息,以提高网络逼近精度。同时,引入最小学习参数思想优化网络结构,对神经网络的在线自适应参数进行压缩,以减轻网络计算负担,并借助李雅普诺夫理论对系统的稳定性进行了分析。通过对比仿真实验验证了所提出控制策略的有效性。