基于改进YOLOv5与嵌入式平台的多旋翼无人机检测算法

针对在嵌入式平台上检测无人机时面临的资源占用率高、实时性差的问题,提出一种改进YOLOv5网络的目标检测算法。以YOLOv5s网络为基础模型,使用MobileNetV3网络代替CSP-Darknet53作为骨干网络进行特征提取,并优化改进特征加强网络以及算法的回归框损失函数。基于自建无人机数据集分别在PC机和嵌入式平台RK3399上进行测试,实验结果表明：改进后的YOLOv5算法与原算法相比,在保持较高检测精度的同时,检测速度提升了38%,模型大小降低了45%,有效提升了算法的检测性能,满足应用于嵌入式设备的实际需求。     

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图像的特点,优化轻量化模型,与单阶段目标检测算法的单脉冲多盒检测网络对比。仿真实验结果表明,改进轻量化模型在保持原有精度水平下,模型占用内存和算法运算量大大减少,可有效满足SAR图像目标检测的实时性要求。     

基于Q学习的多无人机协同航迹规划方法

针对多无人机同时到达目标的航迹规划问题,建立战场环境模型和单无人机航迹规划的马尔可夫决策模型,基于Q学习算法解算航程最短的最优航迹,应用基于Q学习算法得到的经验矩阵快速解算各无人机的最短航迹并计算协同航程,通过调整绕行无人机的动作选择策略,得到各无人机满足时间协同的航迹组。考虑多无人机的避碰问题,通过设计后退参数确定局部重规划区域,基于深度Q学习理论,采用神经网络替代Q_table对局部多无人机航迹进行重规划,避免维度爆炸问题。对于先前未探明的障碍物,参考人工势场法思想设计障碍物Q矩阵,将其叠加至原Q矩阵,实现无人机的避碰。仿真结果表明：所提基于Q学习的多无人机协同航迹规划算法能够得到时间协同与碰撞避免的协同航迹,并对环境建模时所未探明的障碍物进行躲避;与A^*算法相比,针对在线应用问题,新算法具有更高的求解效率。     

针对组网雷达的无人机集群智能航迹欺骗算法

为研究针对组网雷达的无人机集群智能航迹欺骗算法,基于视线准则,分析虚假目标、无人机与雷达三者的耦合关系,推导得到用于航迹规划的无人机运动控制方程。以一定的无人机动力学约束为约束条件,以最小化各无人机飞行距离为优化目标,建立针对组网雷达的无人机集群智能航迹欺骗数学模型。在预设虚假航迹以及雷达先验信息已知的条件下,采用粒子群优化（Particle Swarm Optimization,PSO）算法对上述优化模型进行求解。仿真结果表明,所提算法能够基于预设虚假航迹及雷达位置等先验信息,在满足严格动力学约束的条件下,适应动态威胁环境,完成实时欺骗信号参数设计,以低速平台模拟高速虚假目标,实现对组网雷达的欺骗干扰。     

某大口径自行加榴炮末敏弹识别模型轻量化研究

末敏弹对地面装甲目标的杀伤威力和命中率极高。有效反末敏弹对降低武器装备战场损失非常重要,识别末敏弹是地面装甲反末敏弹的降本增效的一个重要途径。针对某大口径自行加榴炮面对末敏弹的攻击反应速度慢、传统目标检测算法模型较大、应用于嵌入式硬件平台实时性不高的问题,提出了基于MobileNetV3-small的轻量化神经网络模型,通过标注图片的方法构建伞形目标数据集,优化训练方法,将模型部署于搭载高通骁龙835的嵌入式硬件。实验表明,相较于Yolo-v4-tiny,该模型推理速度提高了7.3帧/s,内存开销降低了716.8 MB,具有较好的实时性,可以在战场中辅助某大口径自行加榴炮及时发现末敏弹的攻击并做出有效反应,提高其战场生存能力。     

未知环境中的无人侦察机动态航路规划

高空长航时无人机执行侦察任务时往往需要进人不确定的战场环境下搜集各种情报信息。由于该类型无人机一般存在航时长、监视或侦察范围广、目标数量大等问题,因而对无人机的飞行安全环境存在高威胁因素。针对该问题,提出了一种无人机侦察航路规划方法。首先根据获得的先验信息建立参考航路,然后综合考虑基于目标发现概率建立的环境信息模型,基于机载传感器获取信息构建的威胁模型以及决策系统,选定最优侦察飞行航路,最后对航路进行评估。仿真结果表明,该方法能够有效地完成规划任务,获得较满意的航路。     

基于卡尔曼滤波和DDQN算法的无人机机动目标跟踪

为使无人机能够自主、准确地预测目标状态,进而对敌方机动目标进行跟踪,基于卡尔曼滤波和深度强化学习DDQN算法提出了一种在线决策算法。通过构建无人机机动目标跟踪模型和马尔科夫决策过程框架,结合卡尔曼滤波对目标状态进行了准确预测和更新;然后整合无人机自身状态作为神经网络输入,利用DDQN算法进行针对性训练,实现了无人机对机动目标的自主跟踪控制。仿真实验证明,相较于经典DQN算法,基于DDQN算法训练后的无人机,在跟踪任务中能够对目标保持更长的有效跟踪时间、跟踪距离更近,并保持更稳定的飞行状态,最终实现对机动目标的高效跟踪。     

考虑目标重要性及历史任务信任度的无人机任务决策方法

针对多无人机协同任务决策问题,提出了一种考虑目标重要性和无人机任务信任度两 种因素的任务决策方法。该方法由基于改进的模糊物元目标重要性评估和基于历史任务的无人机 任务信任度评估两部分组成。前者通过改进物元结构,引入统一隶属度函数以及主观影响因子,提 出了改进的模糊物元目标重要性评估方法。后者以无人机历史任务数据为基础,构建了多无人机 信任网络模型,给出了直接信任度、间接信任度和通过信息熵理论计算总信任度的计算方法。由二 者的评估结果,可得到当前时刻的多无人机协同任务决策。仿真结果表明,提出的任务决策方法实 时性强,能够满足无人机任务决策需求,具有一定的可行性。     

基于T/S-SAS的多无人机四维协同攻击航线生成

针对多无人机攻击目标时间协同以及飞行航线空间协同问题,提出基于时间与空间双协同稀疏A^*搜索(T/S-SAS)算法的多无人机四维协同攻击航线生成算法。改进飞行扩展节点模型,设计基于并发扩展的算法结构,建立时间协同代价计算模型与多机防碰撞约束模型,并开展仿真研究。研究结果表明：所提算法能够增强无人机攻击航线的规划效率、减少不同无人机抵达目标的协同攻击时间极差、解决不同无人机之间的空间防碰撞问题;该算法使多无人机协同攻击航线满足时间/空间约束,提升了多无人机协同时间打击性能及飞行路线空间协同性能,提高无人机协同作战效率与作战能力。     

美军有/无人机协同作战运用及关键技术研究

无人机在战场的使用将推动有/无人协同作战的发展,极大改变未来作战的方式和形态。针对美军有/无人机协同作战运用及关键技术开展研究,梳理了美军有/无人机协同作战现状。围绕基本思路、配置方法、典型作战运用构想,对长机僚机式、分布式、分层式有/无人机协同等典型作战运用进行了创新构想和深度分析,并针对集群指控、低截获/低探测通信、协同态势感知等关键技术及存在的问题进行了分析,提出了有/无人机协同发展的趋势,为深入开展有/无人机协同智能作战提供参考。     

基于参数估计的四旋翼无人机自适应鲁棒路径跟随控制器

为提高四旋翼无人机的路径跟随精度和飞行鲁棒性,提出一种基于参数估计的四旋翼无人机自适应鲁棒路径跟随控制器。该控制器能够自适应估计无人机模型中的陀螺效应因子和风阻系数,利用估计值补偿系统的控制输入,设计抗干扰项抵消外界环境的负面影响,提高了四旋翼无人机的路径跟随性能和抗干扰能力。建立四旋翼无人机的非线性力学模型,将无人机的路径跟随目标划分为姿态角目标和运动位置目标。利用反步滑模方法和自适应控制方法设计无人机的控制输入方程和估计值更新律。根据Lyapunov方法验证无人机姿态系统和运动位置系统的渐进稳定性。仿真实验和样机实验结果验证了所提控制器的有效性与优越性。     

基于下视序列图像的无人机测速方法

为了实时、较高精度的获得无人机的飞行地速,提出了基于下视序列图像的无人机测速方法。利用无人机上的速率陀螺补偿获取图像时载机的角运动,实现了惯性稳定辅助特征点匹配算法,可以快速稳定的得到地面同名点在相邻两帧图像中的像差。利用无线电高度数据可以得到无人机的地速。在虚拟视景平台上进行了仿真实验,并与其他匹配算法进行比较,结果表明该方法计算量少、精度较高。     

基于深度学习的无人机指令意图识别技术

为实现空管员直接发布指令来操控无人机,结合深度学习在自然语言处理(natural language processing, NLP)中的应用,提出一种基于深度学习的无人机指令意图识别方法。使用改进Skip-Gram 模型生成指令文本的词向 量,输入到卷积神经网络进行指令文本分类,得到空管员发布指令的意图。通过实验验证,结果表明：该方法能够 较准确地对指令意图进行识别,有助于后续指令理解技术的实现,为进一步实现空管员与无人机直接交互做准备。     

一种基于协同电子对抗的无人机蜂群编队方法

针对未来复杂战场环境中无人机蜂群面对敌电子战设备进行有效的电子对抗和隐身突防的问题,从阵列分析与综合的角度提出了一种基于多目标优化的无人机蜂群编队方法。将无人机蜂群看作三维稀疏阵列,对无人机蜂群的辐射与散射问题进行综合分析;将无人机蜂群的协同探测与协同干扰等效为整个阵列辐射方向图的综合问题,无人机蜂群的协同隐身等效为散射阵列综合问题,从而将无人机蜂群的协同对抗问题转化为一个多目标优化的无人机蜂群编队问题。以蜂群的辐射和散射作为优化目标,利用遗传算法对无人机的编队进行优化仿真。理论分析与实验仿真结果表明,该方法能够有效提高无人机蜂群的协同对抗能力,在提高探测与干扰能力的基础上,降低了无人机蜂群的雷达散射特性,提高了无人机蜂群的战场生存能力。     

基于混沌蚁群算法的集群无人机协同任务分配

针对无人机集群协同任务分配问题,以无人机集群完成所有任务的总航程和未完成任务数最小为优化目标,构建多目标的多任务分配数学模型,并提出基于混沌蚁群算法的优化方法对模型进行求解。借鉴混合算法能提高单一算法性能的思想,在集群任务分配问题中将混沌算法的遍历性、随机性和蚁群算法的信息素正反馈机制结合起来,并通过仿真实验验证所提方法的有效性和适用性。结果表明：基于混沌蚁群算法的集群无人机协同任务分配方法能够增强全局寻优能力,提高算法效率,为多无人机分配最优的任务序列。     

多目标时空同步协同攻击无人机任务分配与轨迹优化

针对复杂战场环境下分布式无人机对多目标协同打击任务,提出多目标攻击的任务分配与轨迹优化算法。建立典型多目标打击的任务场景和无人机模型;基于Delaunay三角形理论,以禁飞区为节点构建搜索地图;运用A^*算法实现威胁最小的单机路径搜索;在无人机动力学约束和能耗损失最小的基础上,引入时间调节因子,采用基于贝塞尔曲线的分布式无人机时空同步轨迹优化方法,得到对多目标同时打击的优化轨迹;设计轨迹跟踪控制器,对预规划轨迹进行跟踪仿真。仿真结果表明,多目标攻击的任务分配与轨迹优化方法能够对多目标实现多角度、时空同步、分布式协同打击,且对噪声及阵风等具有较强的抗干扰能力。     

基于智能芯片的舰船目标智能识别系统设计及实现

传统的海面目标检测识别方法在复杂背景下存在目标检测率低、目标特征依赖人工设计等问题,很难满足实际应用的要求。本文以深度学习、智能芯片等技术为基础,针对可见光、遥感等多波段传感器成像,基于主流深度学习框架建立图像识别、目标检测网络模型,实现智能目标位置检测、目标分类及关键部位识别,采用通用智能芯片NPU(Neural Process Unit)搭建完成嵌入式环境下可见光场景舰船目标智能识别系统,实现智能目标识别算法在硬件资源受限环境下的高效处理,初步验证智能技术在飞行器上应用的可行性。     

基于CNN的弹载图像目标检测方法研究

针对弹载图像目标检测存在适应性不足和智能度不高的问题,阐述了基于卷积神经网络的单帧和多帧图像目标检测算法;提出了在应对恶劣天气、目标旋转及尺度变化、精度速度权衡等难点中的解决策略,包括了在模型、网络结构、训练手段等方面的改进方法。同时,在通用数据集和构建的军事目标专用数据集上进行监督学习训练,对主要算法进行性能比较。结果表明,基于CNN算法能够满足实时性要求,有效提高检测能力,具有更强的环境适应性。     

面向弹载图像的深度学习网络压缩方法研究

针对基于深度学习目标识别算法具有网络结构复杂、参数量大、计算延迟高等特点,难以直接应用于弹载任务的问题,对网络轻量化方法进行了归纳总结。介绍了已有的压缩方法和轻量化网络的优点及各自特点,并选择各个方面优秀的算法进行比较。最后,结合深度学习在目标检测领域中的发展,对轻量化弹载图像目标识别算法进行了展望。     

基于稀疏A*算法的微小型固定翼无人机航迹规划

为在微小型固定翼无人机嵌入式平台上应用航迹规划,设计一种基于稀疏A*算法的自动航迹规划方法.根据微小型固定翼无人机的应用环境、特点和运动约束,建立航迹规划的环境模型和运动模型,利用单元分解法实现飞行区域环境建模和无人机运动建模,使用稀疏A*算法进行航迹规划,给出其操作使用流程,并对2种不同的启发函数进行仿真分析.结果表明:该方法能提高航迹规划的安全阈度,优化算法.