CN117590865B - 一种固定翼无人机跟踪目标运动预测方法 - Google Patents
一种固定翼无人机跟踪目标运动预测方法 Download PDFInfo
- Publication number
- CN117590865B CN117590865B CN202410079512.5A CN202410079512A CN117590865B CN 117590865 B CN117590865 B CN 117590865B CN 202410079512 A CN202410079512 A CN 202410079512A CN 117590865 B CN117590865 B CN 117590865B
- Authority
- CN
- China
- Prior art keywords
- target
- unmanned aerial
- aerial vehicle
- wing unmanned
- fixed wing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000001052 transient effect Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种固定翼无人机跟踪目标运动预测方法,包括:获取固定翼无人机的运动参数;利用所述固定翼无人机的运动参数计算目标的运动参数;训练并测试BiRNN模型;将所述目标的运动参数输入训练完成并通过测试的所述BiRNN模型进行目标运动预测。本发明的设计贴合固定翼无人机的飞行特性,对于固定翼无人机追踪目标的任务进行拟合和提升,实现了高效、快速、高智能化的特点;并且解决了对于高机动固定翼无人机追踪机动目标时目标容易脱离视野导致任务有效性、准确性被降低的问题如何进行优化的难题;同时解决了对于固定翼无人机,如何贴合其快速、瞬变的特性实时对任务进行辅助决策的难题。
Description
技术领域
本发明涉及固定翼无人机飞行控制技术领域,具体而言,涉及一种固定翼无人机跟踪目标运动预测方法。
背景技术
近年来,无人机技术由于无人机的运动特征灵活、相对于传统飞行的成本更低、产业作用广泛等原因,在军民两界中都受到了广泛的关注。对于无人机而言,目前的产品已经得到了对于单体而言的性能、功效、控制方面的大幅度提升。同时由于硬件的迭代、无人机飞行技术的大力发展,固定翼无人机也被应用于工业、安全保障、飞行追踪等军用和民用领域。
其中旋翼无人机应用相对成熟,而固定翼无人机由于其高机动性、航速快航程大、负载更强的性质在工业、农业、救援、科学研究和军事方面具备更广泛的前景。随着固定翼无人机的发展,固定翼无人机飞行速度更加快速,导致在固定翼无人机的飞行过程中变化相对于旋翼机是顺态而快速的,对于观测目标载具运行情况进行安全巡检、对于海陆空运动单位搜救、安保巡逻中存在高机动目标需要锁定的需求,如何有效、快速和稳定的使固定翼无人机锁定目标并进行追踪和跟随是目前迫切需求之一。
而对于固定翼无人机而言,对于其通过视野捕获目标的问题而言,其具备机动性强、姿态调整需要半径大、需要捕获的目标容易因为姿态调整等原因脱离视野等特性。这些特性使得固定翼无人机对于目标锁定的需求更加迫切,目前针对这种情况,最有效的办法之一就是通过飞行控制算法使得飞机能够实时对于目标的位置进行适宜的视野修正和航路修正,而随着人工智能领域的蓬勃发展,机器学习成为解决这个问题的一种新兴的、有效的、具备高实时性的方案之一。
发明内容
本发明旨在提供一种固定翼无人机跟踪目标运动预测方法,以使得固定翼无人机可以提前预测目标的运动轨迹,进行下一步决策,减少和目标的运动偏差、降低目标的脱靶概率。
本发明提供的一种固定翼无人机跟踪目标运动预测方法,包括如下步骤:
S1,获取固定翼无人机的运动参数;
S2,利用所述固定翼无人机的运动参数计算目标的运动参数;
S3,训练并测试BiRNN模型;
S4,将所述目标的运动参数输入训练完成并通过测试的所述BiRNN模型进行目标运动预测。
进一步的,步骤S1中获取所述固定翼无人机的运动参数包括:
以设定频率获取前若干个时刻的固定翼无人机的运动参数;
所述固定翼无人机的运动参数包括固定翼无人机的速度、坐标、时间戳、航向角、对目标的朝向角和对目标的距离。
进一步的,步骤S2包括如下子步骤:
S21,通过积分计算上一时刻和当前时刻之间固定翼无人机的飞行距离D;
S22,利用上一时刻固定翼无人机对目标的距离L 1、当前时刻固定翼无人机对目标的距离L 2以及上一时刻和当前时刻之间固定翼无人机的飞行距离D,通过三角函数计算得到上一时刻和当前时刻之间目标的前进距离;
S23,根据上一时刻固定翼无人机的坐标(x,y)、当前时刻固定翼无人机的坐标(x’,y’)、上一时刻固定翼无人机对目标的距离L 1、当前时刻固定翼无人机对目标的距离L 2、上一时刻固定翼无人机对目标的朝向角θ 1、当前时刻固定翼无人机对目标的朝向角θ 2和上一时刻固定翼无人机的航向角α,来计算当前时刻目标的坐标(X’,Y’);
S24,再根据步骤S23的方法得到上一时刻目标的坐标(X,Y);
S25,根据上一时刻目标的坐标(X,Y)和当前时刻目标的坐标(X’,Y’),计算当前时刻目标的航向角β。
进一步的,步骤S21中所述飞行距离D的计算公式为:
其中,t为上一时刻和当前时刻之间设定的时间段;v表示上一时刻和当前时刻之间每个时间段的瞬态速度。
进一步的,步骤S23中当前时刻目标的坐标(X’,Y’)表示为:
进一步的,步骤S25中当前时刻目标的航向角β,表示为:
进一步的,步骤S3中,使用Argoverse数据集来训练BiRNN模型;其中:
所述Argoverse数据集需要先经过数据清洗;
使用数据清洗后的Argoverse数据集中目标的速度、坐标、时间戳和航向角来训练BiRNN模型。
进一步的,所述BiRNN模型中具有多个隐藏层。
进一步的,步骤S3中训练和测试BiRNN模型时,支持重新调整模型参数进行重新训练。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明的设计贴合固定翼无人机的飞行特性,对于固定翼无人机追踪目标的任务进行拟合和提升,实现了高效、快速、高智能化的特点。解决了对于高机动固定翼无人机追踪机动目标时目标容易脱离视野导致任务有效性、准确性被降低的问题如何进行优化的难题。同时解决了对于固定翼无人机,如何贴合其快速、瞬变的特性实时对任务进行辅助决策的难题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中固定翼无人机跟踪目标运动预测方法的流程图。
图2为本发明实施例中针对目标环境的建模示意图,包括上一时刻目标的位置、当前时刻目标的位置、上一时刻固定翼无人机的位置和当前时刻固定翼无人机的位置。
图3为本发明实施例中基于对目标环境的建模,抽象计算当前时刻目标特性的示意图。
图4为本发明实施例中使用的BiRNN模型与普通RNN模型对比的示意图,可以见到本发明使用的BiRNN模型具备双向传播修正的特性。
图5为本发明实施例中使用BiRNN的伪代码示意图。
图6为本发明实施例中预测直线运动目标下一时刻位置的示意图。
图7为本发明实施例中预测曲线运动目标下一时刻位置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1所示,本实施例提出一种固定翼无人机跟踪目标运动预测方法,包括如下步骤:
S1,获取固定翼无人机的运动参数;
具体地,通过固定翼无人机的摄像头和传感器,获取该固定翼无人机的速度、坐标(GPS坐标)、时间戳、航向角、对目标的朝向角和对目标的距离;本实施例中的目标为车辆;需要说明的是,本实施例中将以设定频率(如10Hz)获取前若干个(如10个)时刻的固定翼无人机的的运动参数,以在后续步骤中计算得到相应的目标的运动参数,便于后续进行预测。
S2,利用所述固定翼无人机的运动参数计算目标当前时刻的运动参数;具体包括:
S21,通过积分计算上一时刻和当前时刻之间固定翼无人机的飞行距离D,计算公式为:
其中,t为上一时刻和当前时刻之间设定的时间段;v表示上一时刻和当前时刻之间每个时间段的瞬态速度。由于速度对于固定翼无人机的变化相对迅速,因此此处使用积分进行运算,飞行参数经过小周期(大致为每一时刻的0.1~0.2倍之间的发送周期,根据需要设定),使得每一个时刻的固定翼无人机能收到当前时刻分为5~10段的瞬态速度,通过将瞬态速度拟合为曲线即可运算积分。
S22,如图2所示,利用上一时刻固定翼无人机对目标的距离L 1、当前时刻固定翼无人机对目标的距离L 2以及上一时刻和当前时刻之间固定翼无人机的飞行距离D,通过三角函数计算得到上一时刻和当前时刻之间目标的前进距离;并由上一时刻和当前时刻之间目标的前进距离计算得到目标的速度。
S23,如图3所示,根据上一时刻固定翼无人机的坐标(x,y)、当前时刻固定翼无人机的坐标(x’,y’)、上一时刻固定翼无人机对目标的距离L 1、当前时刻固定翼无人机对目标的距离L 2、上一时刻固定翼无人机对目标的朝向角θ 1、当前时刻固定翼无人机对目标的朝向角θ 2和上一时刻固定翼无人机的航向角α,来计算当前时刻目标的坐标(X’,Y’),表示为:
S24,再根据步骤S23的方法得到上一时刻目标的坐标(X,Y);
S25,根据上一时刻目标的坐标(X,Y)和当前时刻目标的坐标(X’,Y’),计算当前时刻目标的航向角β,表示为:
S3,训练并测试BiRNN模型;
本实施例中使用Argoverse数据集(Argoverse 2 Motion Forecasting Dataset)来训练并测试BiRNN模型。该Argoverse数据集具备场景和目标行进轨道的概念,如:
每个场景有11秒长,由一组角色的历史运动状态组成,表示为“轨迹”。对于每个场景,Argoverse数据集具备以下高级属性:
scenario_id:与此场景关联的唯一ID。
timestamps_ns:与此场景关联的所有时间戳。
tracks:与此场景关联的所有曲目。
focal_track_id:与场景的焦点代理关联的轨道ID。
city_name:与此场景关联的城市名称。
每个轨道还与以下属性相关联:
track_id:与此轨道关联的唯一ID。
object_states:跟踪对象具有有效观察的每个时间步的状态。
object_type:轨道对象的推断类型。
category:轨道的分配类别-用作预测要求和数据质量的指标。
跟踪对象状态在固定时间点捆绑与特定参与者关联的所有信息:
observed:布尔值,指示此对象状态是否落在场景的观察段中。
timestep:该对象状态对应的时间步[0, num_scenario_timesteps)。
position:(x,y)对象边界框的中心坐标。
heading:与对象边界框关联的tag,展示目标前进的方向(以弧度为单位,根据地图坐标系定义)。
velocity:(x,y)与对象关联的瞬时速度(以m/s为单位)。
本实施例中,使用Argoverse数据集中目标的速度、坐标、时间戳和航向角(与步骤S2得到的目标的运动参数类型一致)来训练BiRNN模型,具体地,使BiRNN模型进行时序模型训练,通过前若干个时刻目标的速度、坐标和航向角以及当前时刻目标的速度、坐标和航向角预测下一时刻目标的坐标,并根据每一时刻的实际测量坐标修正参数,因此目标预测的误差不会进行累计。其中,Argoverse数据集需要先经过数据清洗。
如图4、图5所示,本实施例中定义了一个双向循环神经网络(BiRNN)类,该类有四个参数:输入大小(input_size)、隐藏层大小(hidden_size)、层数(num_layers)和类别数(num_classes)。初始化函数中定义了一个LSTM层和一个全连接层。其中:(1)利用BiRNN模型在固定翼无人机跟踪目标运动预测中,其双向循环神经网络的结构,能够综合考虑历史轨迹和当前状态来预测下一时刻的目标位置。通过双向循环神经网络的结构,BiRNN模型可以充分利用前后时刻的信息,对目标运动进行更为全面的分析和预测,从而提高预测结果的准确性和跟踪效率;(2)通过引入多个隐藏层(如图4中的Hid),来逐渐提取目标运动参数的更高级别特征,进一步提高预测精度。而且,在处理时间序列数据时,BiRNN模型可以同时考虑到过去和未来的信息,避免了信息的缺失和不连续性问题,从而提高模型的可靠性和鲁棒性。
之后定义了一个训练函数train和一个测试函数test。训练函数train用来训练BiRNN模型,它接收一个数据加载器(loader)、模型(model)、损失函数(criterion)、优化器(optimizer)和设备(device)。在每个批处理(batch)中,将输入和目标数据移动到设备上,将梯度清零,计算输出,计算损失,反向传播,更新模型参数,并记录训练损失。最后返回平均训练损失。测试函数test用来测试BiRNN模型,它接收一个数据加载器(loader)、模型(model)、损失函数(criterion)和设备(device)。在测试过程中,不需要计算梯度,仅计算输出、损失和准确率,并返回平均测试损失和准确率。
然后通过定义一个主函数main。在主函数main中,首先确定设备(如果GPU在CUDA环境中可以执行则使用GPU,否则使用CPU),然后加载Argoverse数据集并创建三个数据加载器(train_loader、val_loader和test_loader)。接着定义模型、损失函数、优化器和学习率调度器,并创建一个基于Python内嵌库TensorBoard的统计数据源。在每次迭代(epoch)中,进行一次训练和一次测试,并记录训练损失、测试损失和测试准确率。训练完成后,保存模型参数,并在测试集上计算测试损失和测试准确率。
在主函数main中,能够根据Argoverse数据集的特点调整输入大小、类别数等参数,即通过支持重新调整模型参数进行重新训练,对于BiRNN模型的测试如果不尽如人意可以进行反复的修正直至满足需求,增加了本发明的准确性和灵活性。在本实施例中,Argoverse数据集中每个样本都包含10帧(即10个时刻)的运动参数,需要预测第11帧的运动情况。因此,输入大小为4,即每一帧包含4个特征(x坐标、y坐标、x速度、y速度)。类别数为3,因为Argoverse数据集中需要预测每个目标的x坐标、y坐标和航向角。根据需要调整超参数(如隐藏层大小、层数、学习率等)。运行代码,训练BiRNN模型。在训练过程中,可以使用TensorBoard查看训练损失、测试损失和测试准确率等指标。
需要注意的是,本实施例中使用了argoverse_forecasting_loader模块来读取Argoverse数据集。如果要在其他数据集上使用,需要根据实际情况编写数据加载器。此外,根据训练数据的特点,可能需要对网络结构进行调整,以获得更好的性能。
S4,将所述目标当前时刻的运动参数输入训练完成并通过测试的所述BiRNN模型进行目标运动预测。如图6、图7所示,展示了通过本实施例中训练完成并通过测试的所述BiRNN模型推理下一时刻目标运行位置的示例示意图,表现了本发明实现目标运动预测的可行性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种固定翼无人机跟踪目标运动预测方法,其特征在于,包括如下步骤:
S1,获取固定翼无人机的运动参数;
S2,利用所述固定翼无人机的运动参数计算目标的运动参数;
S3,训练并测试BiRNN模型;
S4,将所述目标的运动参数输入训练完成并通过测试的所述BiRNN模型进行目标运动预测;
步骤S1中获取所述固定翼无人机的运动参数包括:
以设定频率获取前若干个时刻的固定翼无人机的运动参数;
所述固定翼无人机的运动参数包括固定翼无人机的速度、坐标、时间戳、航向角、对目标的朝向角和对目标的距离;
步骤S2包括如下子步骤:
S21,通过积分计算上一时刻和当前时刻之间固定翼无人机的飞行距离D;
S22,利用上一时刻固定翼无人机对目标的距离L 1、当前时刻固定翼无人机对目标的距离L 2以及上一时刻和当前时刻之间固定翼无人机的飞行距离D,通过三角函数计算得到上一时刻和当前时刻之间目标的前进距离;
S23,根据上一时刻固定翼无人机的坐标(x,y)、当前时刻固定翼无人机的坐标(x’,y’)、上一时刻固定翼无人机对目标的距离L 1、当前时刻固定翼无人机对目标的距离L 2、上一时刻固定翼无人机对目标的朝向角θ 1、当前时刻固定翼无人机对目标的朝向角θ 2和上一时刻固定翼无人机的航向角α,来计算当前时刻目标的坐标(X’,Y’);当前时刻目标的坐标(X’,Y’)表示为:
S24,再根据步骤S23的方法得到上一时刻目标的坐标(X,Y);
S25,根据上一时刻目标的坐标(X,Y)和当前时刻目标的坐标(X’,Y’),计算当前时刻目标的航向角β。
2.根据权利要求1所述的固定翼无人机跟踪目标运动预测方法,其特征在于,步骤S21中所述飞行距离D的计算公式为:
其中,t为上一时刻和当前时刻之间设定的时间段;v表示上一时刻和当前时刻之间每个时间段的瞬态速度。
3.根据权利要求1所述的固定翼无人机跟踪目标运动预测方法,其特征在于,步骤S25中当前时刻目标的航向角β,表示为:
。
4.根据权利要求1所述的固定翼无人机跟踪目标运动预测方法,其特征在于,步骤S3中,使用Argoverse数据集来训练BiRNN模型;其中:
所述Argoverse数据集需要先经过数据清洗;
使用数据清洗后的Argoverse数据集中目标的速度、坐标、时间戳和航向角来训练BiRNN模型。
5.根据权利要求1所述的固定翼无人机跟踪目标运动预测方法,其特征在于,所述BiRNN模型中具有多个隐藏层。
6.根据权利要求1所述的固定翼无人机跟踪目标运动预测方法,其特征在于,步骤S3中训练和测试BiRNN模型时,支持重新调整模型参数进行重新训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410079512.5A CN117590865B (zh) | 2024-01-19 | 2024-01-19 | 一种固定翼无人机跟踪目标运动预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410079512.5A CN117590865B (zh) | 2024-01-19 | 2024-01-19 | 一种固定翼无人机跟踪目标运动预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117590865A CN117590865A (zh) | 2024-02-23 |
CN117590865B true CN117590865B (zh) | 2024-04-30 |
Family
ID=89910281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410079512.5A Active CN117590865B (zh) | 2024-01-19 | 2024-01-19 | 一种固定翼无人机跟踪目标运动预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117590865B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222581A (zh) * | 2019-05-13 | 2019-09-10 | 电子科技大学 | 一种基于双目相机的四旋翼无人机视觉目标跟踪方法 |
CN115861860A (zh) * | 2023-02-24 | 2023-03-28 | 杭州靖安科技有限公司 | 一种无人机的目标跟踪定位方法和系统 |
CN116954261A (zh) * | 2023-08-28 | 2023-10-27 | 中国船舶集团有限公司第七〇九研究所 | 一种多平台协同的目标轨迹跟踪方法和装置 |
CN117390498A (zh) * | 2023-12-12 | 2024-01-12 | 四川腾盾科技有限公司 | 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 |
-
2024
- 2024-01-19 CN CN202410079512.5A patent/CN117590865B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222581A (zh) * | 2019-05-13 | 2019-09-10 | 电子科技大学 | 一种基于双目相机的四旋翼无人机视觉目标跟踪方法 |
CN115861860A (zh) * | 2023-02-24 | 2023-03-28 | 杭州靖安科技有限公司 | 一种无人机的目标跟踪定位方法和系统 |
CN116954261A (zh) * | 2023-08-28 | 2023-10-27 | 中国船舶集团有限公司第七〇九研究所 | 一种多平台协同的目标轨迹跟踪方法和装置 |
CN117390498A (zh) * | 2023-12-12 | 2024-01-12 | 四川腾盾科技有限公司 | 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 |
Non-Patent Citations (3)
Title |
---|
Quadrotor Swarm Flight Experimentation Inspired by Pigeon Flock Topology;Cao Shiyue 等;2019 IEEE 15TH INTERNATIONAL CONFERENCE ON CONTROL AND AUTOMATION;20191114;全文 * |
UAV-Assisted Intelligent Traffic Diagnosis System Design;Yu-Ying Wang 等;2023 International Conference on Consumer Electronics - Taiwan;20230831;全文 * |
基于视觉的无人机自主着陆研究综述;钟春来 等;航空兵器;20231010;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117590865A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11726477B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
Zeng et al. | A deep learning approach for aircraft trajectory prediction in terminal airspace | |
CN114384920B (zh) | 一种基于局部栅格地图实时构建的动态避障方法 | |
US10140719B2 (en) | System and method for enhancing target tracking via detector and tracker fusion for unmanned aerial vehicles | |
He et al. | Non-cooperative spacecraft pose tracking based on point cloud feature | |
Sun et al. | Robust visual detection and tracking strategies for autonomous aerial refueling of UAVs | |
Song et al. | Multi-vehicle tracking with microscopic traffic flow model-based particle filtering | |
Wang et al. | A visual navigation framework for the aerial recovery of UAVs | |
CN110751266A (zh) | 一种无人机轨迹预测模块及其预测方法 | |
CN116110025A (zh) | 栅格检测跟踪框架构建环境语义占据与速度场方法及系统 | |
Long et al. | Object detection research of SAR image using improved faster region-based convolutional neural network | |
Ma et al. | Visual target detection for energy consumption optimization of unmanned surface vehicle | |
Zhang et al. | A learning-based method for predicting heterogeneous traffic agent trajectories: Implications for transfer learning | |
Xu et al. | Dynamic vehicle pose estimation and tracking based on motion feedback for LiDARs | |
CN117590865B (zh) | 一种固定翼无人机跟踪目标运动预测方法 | |
Xu et al. | A vision-only relative distance calculation method for multi-UAV systems | |
EP4148599A1 (en) | Systems and methods for providing and using confidence estimations for semantic labeling | |
Lv et al. | Target recognition algorithm based on optical sensor data fusion | |
Zaier et al. | Vision-based UAV tracking using deep reinforcement learning with simulated data | |
Yang et al. | Study on the trajectory positioning and prediction framework of unmanned aerial vehicle based on long short-term memory neural network | |
Liu et al. | A detachable and expansible multisensor data fusion model for perception in level 3 autonomous driving system | |
Zhang et al. | Vehicle motion state prediction method integrating point cloud time series multiview features and multitarget interactive information | |
Lv et al. | Moving Vehicle Tracking Optimization Method Based on SPF | |
EP4231044A1 (en) | Object detection and state estimation from deep learned per-point radar representations | |
Chen et al. | Intelligent Vehicle Visual Navigation Algorithm Based on Visual Saliency Improvement |
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 |