CN114281091A - 一种基于行为识别的无人机集群内部信息传递方法 - Google Patents
一种基于行为识别的无人机集群内部信息传递方法 Download PDFInfo
- Publication number
- CN114281091A CN114281091A CN202111560134.5A CN202111560134A CN114281091A CN 114281091 A CN114281091 A CN 114281091A CN 202111560134 A CN202111560134 A CN 202111560134A CN 114281091 A CN114281091 A CN 114281091A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- target
- behavior
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000005540 biological transmission Effects 0.000 title claims abstract description 12
- 230000009471 action Effects 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 12
- 230000019771 cognition Effects 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 230000004083 survival effect Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于无人机技术领域，提供一种基于行为识别的无人机集群内部信息传递方法。仿照摩斯码及数据通信协议，选择振翼作为无人机主动行为基本动作，制定相应的语义信息对照表；无人机在不偏离航线的前提下，按照所要传递任务信息对应的动作编码，完成左振翼或右振翼，由此实现无人机主动行为的表征；并通过无人机目标检测、跟踪、认知完成无人机主动行为的识别。本发明通过构建无人机主动行为编码规则，利用无人机主动行为表征与识别，在无人机集群内部有效传递信息，保证了无人机集群在通信拒止条件下，仍能够顺利完成任务或安全返航，提升了无人机集群的生存能力与协同适应性。
Description
技术领域
本发明属于无人机技术领域，具体涉及一种基于行为识别的无人机集群内部信息传递方法。
背景技术
无人机在军、民领域均发挥着日益重要的作用。近年来，随着无人机技术提升及成本下降，智能无人机集群这一概念被引入到无人机研究中。无人机集群一般是由不互相依赖的无人机组成的智能群，通过自主通信形成协同任务能力。无人机集群具有区域分布性、单元自主性以及“去中心化”特性，在单一平台受损后仍可有序协同，因此，具有极佳的适应性与鲁棒性，可以高效执行各类协同任务。
无人机集群应用优势明显，但集群协同任务能力非常依赖于无人机间的信息传递，一旦信息交互被阻绝，无人机集群将无法有效协同，甚至相互干扰，丧失集群优势。极端天气、复杂环境等因素均可能造成电磁干扰，甚至形成通信拒止情况，导致严重后果。2018年，在西安举行的千架无人机表演活动，由于通信信号受到干扰未能完成既定任务，出现了“乱码”，造成了巨大的经济损失和社会影响。2020年，俄国防部长表示，俄军新一代SAPSAN电子战系统可以应对美军的小精灵无人飞行器，破坏蜂群战术。可见，发展一种不依赖于常规通信手段的无人机集群内部信息传递方法具有很高的应用价值。
受到生物集群研究的启发，视觉可以作为集群协同的一种抗干扰信息传播手段，灯语、旗语等方式就是利用视觉传递信息的典型应用。但灯语、旗语在无人机中的应用具有一定的缺陷，灯语、旗语需要在无人机上加装特定的信号发生机构，会影响无人机气动外形，增加无人机结构与电气系统的复杂性；且灯语在复杂的光照条件下，可靠性不高，会出现识别不准甚至识别不到灯光变化的情况。而通过对无人机主动行为进行表征和识别，进而传递和获取信息，这种方式不用额外添加信号发生机构，且在复杂光照条件下适应性更高，具有较高的应用价值，但国内外尚未有成功案例。
综上，建立基于行为识别的无人机集群内部信息传递方法，实现集群编队协同，是无人机集群应对通信受限情况的有效途径。
发明内容
本发明的目的是提供一种基于行为识别的无人机集群内部信息传递方法，解决通信拒止条件下无人机集群内部无法有效传递信息，进而导致集群协同失效的技术问题，克服了现有通信手段易受电磁干扰与压制的缺陷，是对无人机集群内部信息传递方法的有效补充。
为达到上述目的，解决上述技术问题本发明的技术方案如下：
步骤1、无人机主动行为语义信息对照表的建立
仿照摩斯码及数据通信协议，选择振翼作为无人机主动行为基本动作，将无人机完成的一次左振翼记为“0”，完成一次右振翼记为“1”，按照无人机集群任务需求，“0”和“1”自定义排列顺序构成动作编码，用于表达具体的任务信息，并由此制定相应的语义信息对照表；
步骤2、无人机主动行为的表征
无人机在不偏离航线的前提下，按照所要传递任务信息对应的动作编码，完成左振翼或右振翼，由此实现无人机主动行为的表征；在主动行为表征过程中，利用飞控进行补偿，使得无人机在进行左振翼或右振翼时，保持原本的飞行航迹不变，由此获得与无人机正常行为区别明显的振翼效果且保证无人机的安全；
步骤3、无人机主动行为的识别
3.1无人机目标检测
无人机目标检测以全局搜索策略为原则，在无人机的机载摄像头视野范围内对空中其它弱小无人机目标实现探测识别，通过获取无人机位置以及目标大小实现无人机的精准定位；
3.2无人机目标跟踪
空对空情况下无人机目标的长时跟踪是在检测的基础上执行局部搜索策略，在长时序列帧中对复杂背景建模，关联目标的运动轨迹以实现跟踪无人机，不断更新无人机的位置和大小；
3.3无人机行为认知
3.3.1从视频流中获得描述无人机运动的时空特征
实时输入无人机目标跟踪视频流，根据单个目标无人机运动的状态，建立无人机运动时空特征模型，通过构造时间上的运动信息和空间上的几何纹理信息来表达复杂的、隐含的时空特征，进而获得微小像素下的无人机机翼运动描述。
3.3.2设计动作识别策略，实现无人机行为认知
选用基于度量的方式作为动作识别策略，学习一个嵌入函数，将输入空间映射到一个新的嵌入空间，在嵌入空间中有一个相似性度量来区分不同类。具体而言，时空特征提取网络可作为嵌入函数，根据样本特征空间之间的匹配度判别无人机是否发生振翼动作。
训练一个对所有基类进行分类的分类器，并使用余弦最近法执行小样本任务。具体来说，在所有基类上训练一个具有标准交叉熵损失的分类器，然后去掉它的最后一个全连接层，得到编码器fθ，它将输入映射到特征空间。给定一个支持集S的小样本任务，设Sc表示c类的小样本，计算平均特征Wc作为c类的质心：
然后，对于一个小样本任务中的样本x，预测样本x属于c类的概率，作为样本x的特征向量与c类质心之间的余弦相似度：
式中<·，·>为两个向量的余弦相似度。注意，wc也可以被看作是新全连接层的预测权重。
在训练集中计算每个任务的损失，即由p和查询集中样本的标签计算的交叉熵损失，进而获得每个样本的预测概率分布。
利用训练好的网络评估无人机主动行为，分析无人机振翼动作编码，参照构建好的无人机主动行为语义信息对照表，获取有效任务信息，进而实现无人机集群内部信息传递。
本发明和现有技术相比的有效收益：
1、本发明通过构建无人机主动行为编码规则，利用无人机主动行为表征与识别，在无人机集群内部有效传递信息，保证了无人机集群在通信拒止条件下，仍能够顺利完成任务或安全返航，提升了无人机集群的生存能力与协同适应性。
2、本发明无需添加额外信号发生机构，易于现有无人机升级改造。
附图说明
图1为本发明无人机主动行为识别总体框架示意图；
图2为本发明实施例无人机振翼动作实现示意图。
具体实施方式
下面结合附图和实施例对本发明的实现过程进行详细的解释和说明。
本发明的技术方案包括如下步骤：
步骤1、无人机主动行为的语义信息对照表的建立
选择无人机的主动行为来进行无人机语义信息对照表的建立，这里基本动作的选择要充分考虑无人机本身的气动特性和控制特性，在不影响飞行安全的前提下，尽量选择与无人机正常工作状态有明显差异的机动动作，这样有利于保持用于传递任务信息的主动行为的独立性和唯一性。例如针对旋翼无人机，基于其可以悬停的特点，采用特定轨迹作为其主动行为；而针对固定翼/复合翼无人机，采用振翼作为其主动行为。本发明主要针对的是固定翼/复合翼无人机，故采用振翼作为其主动行为。
选择无人机振翼作为主动行为，将无人机完成的一次左振翼记为“0”，完成一次右振翼记为“1”，“0”和“1”按照无人机集群任务需求自定义排列顺序用于表达具体任务的指令信息，并由此制定相应的语义信息对照表；
例如，可以设定“01010000”为“升高100m”指令信息，“01010001”为“降低100m”指令信息，按照集群任务对传递信息丰富度的需求，制定相应的“语义信息对照表”，如表1所示。
表1语义信息对照表
步骤2、无人机主动行为表征
为了获得与无人机正常行为区别明显的振翼效果，同时保证无人机的安全，主动利用飞控进行补偿，使得无人机左右振翼时，其航迹基本保持不变。
比如，针对一架固定翼无人机，当无人机进行振翼动作时，无人机保持水平飞行姿态，发动机开始加速，同时副翼开始摆动，升降舵、方向舵按照预制角度进行协同补偿，使得无人机滚转方向摆动15°(适当的摆动角度有利于光电感知与分析，又不至于影响飞行安全)，同时保持原本飞行轨迹稳定不变，如图1所示。
通过上述方式，无人机在不偏离航线的前提下，按照要传递信息对应的动作编码，完成左、右振翼，由此实现主动行为表征，以发送信息。
步骤3、主动行为识别
无人机主动行为识别需要实时获取目标无人机的位置和尺度信息，并且识别目标在时间序列上行为动作，分析获得其语义信息。由于在无人机集群中，目标无人机往往呈现出弱小目标的状态，并且由于快速运动、遮挡、光照、天气等复杂环境的影响，目标无人机的位置和尺度往往很难实时估计。因此，将无人机行为识别分为三部分：无人机目标检测；无人机目标跟踪；无人机行为认知。通过结合目标检测和目标跟踪两个领域，以准确获取目标无人机的位置和尺度，通过小样本学习策略准确识别无人机的动作行为。无人机主动行为识别的总体框架如图2所示。
3.1无人机目标检测
无人机目标检测以全局搜索策略为原则，在无人机的机载摄像头视野范围内对空中其它弱小无人机目标实现探测识别，通过获取无人机位置以及目标大小实现无人机的精准定位。
检测框架选用残差网络结构搭建的Darknet-53作为骨干特征提取网络。考虑到无人机目标的多尺度变化，选取三个不同尺度的特征图来获取无人机目标的显著特征位置。具体来讲，深层-小尺度特征图中可以有效的利用全局感受野捕获大尺度无人机目标，浅层大尺度特征图可以有效避免多层卷积丢失小尺度目标特征，加强小目标无人机识别能力。在获取多层尺度目标后，通过DBL残差卷积模块在各层特征图上分别回归目标框中心点坐标、边界框长宽以及目标的置信度。
3.2无人机目标跟踪
空对空情况下无人机目标的长时跟踪是在检测的基础上执行局部搜索策略，在长时序列帧中对复杂背景建模，关联目标的运动轨迹以实现跟踪无人机，不断更新无人机的位置和大小。
采用基于相关滤波的ECO算法作为无人机目标跟踪算法，快速的在视频中估计无人机的位置和尺度。ECO算法以第一步中检测出的目标无人机作为跟踪器的初始化目标，持续的在视频序列中跟踪目标。具体来说，ECO算法采用相关滤波的方法对目标的外观语义特征进行迭代训练，学习到具有无人机目标判别性功能的相关滤波器。在下一帧目标周围区域执行局部搜索策略，通过相关滤波器准确定位目标的位置。此外，采用一个预训练的ResNet18模型构建目标无人机的外观语义模型，ResNet18在大规模的图片数据集上学习了各种目标的外观语义信息，具有强大的目标表示能力，并且Resnet18网络层数少，满足跟踪实时性的要求。
3.3无人机行为认知
3.3.1从视频流中获得描述无人机运动的时空特征
实时输入无人机目标跟踪视频流，根据单个目标无人机运动的状态，建立无人机运动时空特征模型，通过构造时间上的运动信息和空间上的几何纹理信息来表达复杂的、隐含的时空特征，进而获得微小像素下的无人机机翼运动描述。
3.3.2设计动作识别策略，实现无人机行为认知
选用基于度量的方式作为动作识别策略，学习一个嵌入函数，将输入空间映射到一个新的嵌入空间，在嵌入空间中有一个相似性度量来区分不同类。具体而言，时空特征提取网络可作为嵌入函数，根据样本特征空间之间的匹配度判别无人机是否发生振翼动作。
训练一个对所有基类进行分类的分类器，并使用余弦最近法执行小样本任务。具体来说，在所有基类上训练一个具有标准交叉熵损失的分类器，然后去掉它的最后一个全连接层，得到编码器fθ，它将输入映射到特征空间。给定一个支持集S的小样本任务，设Sc表示c类的小样本，计算平均特征Wc作为c类的质心：
然后，对于一个小样本任务中的样本x，预测样本x属于c类的概率，作为样本x的特征向量与c类质心之间的余弦相似度：
式中<·，·>为两个向量的余弦相似度。注意，wc也可以被看作是新全连接层的预测权重。
在训练集中计算每个任务的损失，即由p和查询集中样本的标签计算的交叉熵损失，进而获得每个样本的预测概率分布。
利用训练好的网络评估无人机主动行为，分析无人机振翼动作编码，参照构建好的无人机主动行为语义信息对照表，获取有效任务信息，进而实现无人机集群内部信息传递。
Claims (4)
1.一种基于行为识别的无人机集群内部信息传递方法，其特征在于，实现过程包括如下步骤
步骤1、无人机主动行为语义信息对照表的建立
仿照摩斯码及数据通信协议，选择振翼作为无人机主动行为基本动作，将无人机完成的一次左振翼记为“0”，完成一次右振翼记为“1”，按照无人机集群任务需求，“0”和“1”自定义排列顺序构成动作编码，用于表达具体的任务信息，并由此制定相应的语义信息对照表；
步骤2、无人机主动行为的表征
无人机在不偏离航线的前提下，按照所要传递任务信息对应的动作编码，完成左振翼或右振翼，由此实现无人机主动行为的表征；在主动行为表征过程中，利用飞控进行补偿，使得无人机在进行左振翼或右振翼时，保持原本的飞行航迹不变，由此获得与无人机正常行为区别明显的振翼效果且保证无人机的安全；
步骤3、无人机主动行为的识别
3.1无人机目标检测
无人机目标检测以全局搜索策略为原则，在无人机的机载摄像头视野范围内对空中其它弱小无人机目标实现探测识别，通过获取无人机位置以及目标大小实现无人机的精准定位；
3.2无人机目标跟踪
空对空情况下无人机目标的长时跟踪是在检测的基础上执行局部搜索策略，在长时序列帧中对复杂背景建模，关联目标的运动轨迹以实现跟踪无人机，不断更新无人机的位置和大小；
3.3无人机行为认知
3.3.1从视频流中获得描述无人机运动的时空特征
实时输入无人机目标跟踪视频流，根据单个目标无人机运动的状态，建立无人机运动时空特征模型，通过构造时间上的运动信息和空间上的几何纹理信息来表达复杂的、隐含的时空特征，进而获得微小像素下的无人机机翼运动描述；
3.3.2设计动作识别策略，实现无人机行为认知
选用基于度量的方式作为动作识别策略，学习一个嵌入函数，将输入空间映射到一个新的嵌入空间，在嵌入空间中有一个相似性度量来区分不同类；具体而言，时空特征提取网络可作为嵌入函数，根据样本特征空间之间的匹配度判别无人机是否发生振翼动作；
训练一个对所有基类进行分类的分类器，并使用余弦最近法执行小样本任务；在所有基类上训练一个具有标准交叉熵损失的分类器，然后去掉它的最后一个全连接层，得到编码器fθ，它将输入映射到特征空间；给定一个支持集S的小样本任务，设Sc表示c类的小样本，计算平均特征Wc作为c类的质心：
然后，对于一个小样本任务中的样本x，预测样本x属于c类的概率，作为样本x的特征向量与c类质心之间的余弦相似度：
式中<·，·>为两个向量的余弦相似度；注意，wc也可以被看作是新全连接层的预测权重；
在训练集中计算每个任务的损失，即由p和查询集中样本的标签计算的交叉熵损失，进而获得每个样本的预测概率分布；
利用训练好的网络评估无人机主动行为，分析无人机振翼动作编码，参照构建好的无人机主动行为语义信息对照表，获取有效任务信息，进而实现无人机集群内部信息传递。
2.根据权利要求1所述的一种基于行为识别的无人机集群内部信息传递方法，其特征在于，所述步骤3.1的无人机目标检索的检测框架选用残差网络结构搭建的Darknet-53作为骨干特征提取网络；考虑到无人机目标的多尺度变化，选取不同尺度的特征图来获取无人机目标的显著特征位置，深层小尺度特征图中可以有效的利用全局感受野捕获大尺度无人机目标，浅层大尺度特征图可以有效避免多层卷积丢失小尺度目标特征，加强小目标无人机识别能力；在获取多层尺度目标后，通过DBL残差卷积模块在各层特征图上分别回归目标框中心点坐标、边界框长宽以及目标的置信度。
3.根据权利要求1所述的一种基于行为识别的无人机集群内部信息传递方法，其特征在于，所述步骤3.2采用基于相关滤波的ECO算法作为无人机目标跟踪算法，快速的在视频中估计无人机的位置和尺度；ECO算法以步骤1中检测出的目标无人机作为跟踪器的初始化目标，持续的在视频序列中跟踪目标；ECO算法采用相关滤波的方法对目标的外观语义特征进行迭代训练，学习到具有无人机目标判别性功能的相关滤波器；在下一帧目标周围区域执行局部搜索策略，通过相关滤波器准确定位目标的位置。
4.根据权利要求3所述的一种基于行为识别的无人机集群内部信息传递方法，其特征在于，采用一个预训练的ResNet18模型构建目标无人机的外观语义模型，ResNet18在大规模的图片数据集上学习了各种目标的外观语义信息，具有强大的目标表示能力，并且Resnet18网络层数少，满足跟踪实时性的要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111560134.5A CN114281091B (zh) | 2021-12-20 | 2021-12-20 | 一种基于行为识别的无人机集群内部信息传递方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111560134.5A CN114281091B (zh) | 2021-12-20 | 2021-12-20 | 一种基于行为识别的无人机集群内部信息传递方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114281091A true CN114281091A (zh) | 2022-04-05 |
| CN114281091B CN114281091B (zh) | 2024-05-10 |
Family
ID=80873182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111560134.5A Active CN114281091B (zh) | 2021-12-20 | 2021-12-20 | 一种基于行为识别的无人机集群内部信息传递方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114281091B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114719841A (zh) * | 2022-05-16 | 2022-07-08 | 北京卓翼智能科技有限公司 | 一种无人机视觉通信与导航方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150248736A1 (en) * | 2014-02-28 | 2015-09-03 | Lucas J. Myslinski | Fact checking method and system utilizing social networking information |
| CN106227341A (zh) * | 2016-07-20 | 2016-12-14 | 南京邮电大学 | 基于深度学习的无人机手势交互方法及系统 |
| JP2017214051A (ja) * | 2016-05-30 | 2017-12-07 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 無人飛行体、制御方法、及び制御プログラム |
| CN109630095A (zh) * | 2018-12-03 | 2019-04-16 | 中国石油大学(华东) | 一种基于多视角学习的抽油机井工况识别方法及系统 |
| US20200064444A1 (en) * | 2015-07-17 | 2020-02-27 | Origin Wireless, Inc. | Method, apparatus, and system for human identification based on human radio biometric information |
-
2021
- 2021-12-20 CN CN202111560134.5A patent/CN114281091B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150248736A1 (en) * | 2014-02-28 | 2015-09-03 | Lucas J. Myslinski | Fact checking method and system utilizing social networking information |
| US20200064444A1 (en) * | 2015-07-17 | 2020-02-27 | Origin Wireless, Inc. | Method, apparatus, and system for human identification based on human radio biometric information |
| JP2017214051A (ja) * | 2016-05-30 | 2017-12-07 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 無人飛行体、制御方法、及び制御プログラム |
| CN106227341A (zh) * | 2016-07-20 | 2016-12-14 | 南京邮电大学 | 基于深度学习的无人机手势交互方法及系统 |
| CN109630095A (zh) * | 2018-12-03 | 2019-04-16 | 中国石油大学(华东) | 一种基于多视角学习的抽油机井工况识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 马乐乐;李照洋;董嘉蓉;侯永宏;: "基于计算机视觉及深度学习的无人机手势控制系统", 计算机工程与科学, no. 05, 15 May 2018 (2018-05-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114719841A (zh) * | 2022-05-16 | 2022-07-08 | 北京卓翼智能科技有限公司 | 一种无人机视觉通信与导航方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114281091B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782481B (zh) | 无人艇智能决策方法及系统 | |
| Nguyen et al. | A visual real-time fire detection using single shot multibox detector for uav-based fire surveillance | |
| CN105447459A (zh) | 一种无人机自动检测目标和跟踪方法 | |
| CN111176309B (zh) | 一种基于球面成像的多无人机自组群互感理解方法 | |
| CN107351080B (zh) | 一种基于相机单元阵列的混合智能研究系统及控制方法 | |
| CN110968711B (zh) | 一种基于序列图像特征的自主无人系统位置识别定位方法 | |
| Shen et al. | Person tracking and frontal face capture with uav | |
| CN114281091B (zh) | 一种基于行为识别的无人机集群内部信息传递方法 | |
| Zhang et al. | A object detection and tracking method for security in intelligence of unmanned surface vehicles | |
| CN109859202A (zh) | 一种基于usv水面光学目标跟踪的深度学习检测方法 | |
| de Croon et al. | Sub-sampling: Real-time vision for micro air vehicles | |
| Zhang et al. | Toward Coordination Control of Multiple Fish-Like Robots: Real-Time Vision-Based Pose Estimation and Tracking via Deep Neural Networks. | |
| Hwang et al. | Aircraft detection using deep convolutional neural network in small unmanned aircraft systems | |
| CN116954264B (zh) | 分布式高亚音速无人机集群控制系统及其方法 | |
| CN112686921A (zh) | 一种基于轨迹特征的多干扰无人机检测跟踪方法 | |
| CN111814726A (zh) | 一种探测机器人视觉目标检测方法 | |
| Wang et al. | Hierarchical fiducial marker design for pose estimation in large‐scale scenarios | |
| CN116185049A (zh) | 基于视觉引导的无人直升机自主着舰方法 | |
| Lygouras et al. | A new method to combine detection and tracking algorithms for fast and accurate human localization in UAV-based SAR operations | |
| Luo et al. | UAV detection based on rainy environment | |
| Zhang et al. | Real TimeDetection and Tracking Method of Pilot’sHeadPositionBased on MTCNN-DeepSORT | |
| CN113949826A (zh) | 一种通信带宽有限条件下无人机集群协同侦察方法及系统 | |
| Bie et al. | UAV recognition and tracking method based on YOLOv5 | |
| Li et al. | Design of UAV single object tracking algorithm based on feature fusion | |
| CN111860096A (zh) | 基于Openpose和Alexnet无人机姿势控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |