無人機整機
無人機配件
無人機服務
設備與工具隨著科技的發(fā)展，以信息化為支撐的系統(tǒng)化操作將成為未來信息對抗的主要形式，“基于快吃慢食的觀察-導向-決策-行動（OODA）”成為重要的制勝機制。感知能力是OODA循環(huán)的主要環(huán)節(jié)。通過人工智能技術賦能感知系統(tǒng)，可以抓住機會控制局面，帶動后續(xù)環(huán)節(jié)高效運行，縮短循環(huán)求解時間，為信息對抗提供機會和關鍵支撐。無人機機動性強，視野寬廣，因此可以快速感知地形并捕獲目標。無人機將采集到的感知信息傳輸給UGV，可以大大加快任務的執(zhí)行效率。具有不同自動化水平的無人機也傳輸不同級別的數(shù)據(jù)，如圖1所示。
圖1 空地協(xié)同系統(tǒng)下無人機的不同自動化水平
空地協(xié)同無人系統(tǒng)包括空中無人機、地面無人飛行器和地面站系統(tǒng)。無人機配備單目攝像頭，集成機載計算單元，可實時獲取無人機的姿態(tài)流和采集到的圖像數(shù)據(jù)。無人駕駛車輛集成了傳感器系統(tǒng)和控制系統(tǒng)，可以進行自主路徑規(guī)劃和軌跡跟蹤。地面站系統(tǒng)負責無人機與無人駕駛車輛的合作關系、感知數(shù)據(jù)的融合處理、態(tài)勢圖的展示。通過自組網(wǎng)絡無線電的通信模式實現(xiàn)協(xié)作系統(tǒng)各單元之間的數(shù)據(jù)和信息的交互（圖2）。
圖2 空地無人協(xié)同系統(tǒng)
為增強地面無人車輛的自主導航、避障和偵察能力，利用智能無人機感知技術獲取環(huán)境和目標信息，將智能無人機感知到的環(huán)境信息和目標信息實時傳輸?shù)降孛鏌o人車輛。地面無人駕駛車輛在接收到信息后，可以根據(jù)環(huán)境和前方目標信息提前修正當前軌跡。智能無人機感知系統(tǒng)的技術架構如圖3所示。
圖3 智能無人機感知系統(tǒng)技術架構
智能無人機環(huán)境感知技術
① 實時地圖構建
采用實時純可視化地圖重建方案，將在線場景地圖重建與后處理優(yōu)化相結合，提高了地圖速度，保證了地圖的定位精度。首先，利用單目視覺SLAM獲取實時姿態(tài)信息和稀疏點云，然后在稀疏點云的基礎上進行網(wǎng)格重建和紋理映射;同時，利用GPS信息進行定位和構圖，輸出帶有地理信息的地圖。最后，通過自適應權重的增量快速拼接算法，實現(xiàn)實時大規(guī)模增量拼接圖像，并實時顯示拼接結果。
圖4 實時地圖構建后的后處理優(yōu)化流程
② 路網(wǎng)自動提取
在實時構建地圖的基礎上，利用基于深度語義分割的路網(wǎng)矢量數(shù)據(jù)生成技術對路網(wǎng)進行識別和提取，形成可通行的導航地圖，有利于無人駕駛車輛的全球路徑規(guī)劃。首先，通過磁貼接口獲取平鋪圖像，進行圖像預處理，并對數(shù)據(jù)進行數(shù)據(jù)增強。其次，將預增強的圖像數(shù)據(jù)輸入特征提取網(wǎng)絡進行特征提取;最后，將生成的特征輸入像素分類器，生成像素分類結果，并對結果進行融合操作。同時，對融合的結果數(shù)據(jù)進行矢量化處理，并將其提供給相關的接口調用（圖5）。
圖5 路網(wǎng)提取數(shù)據(jù)處理流程
智能無人機目標感知技術
從無人機角度看的目標占地面積小，像素信息較少，與背景難以區(qū)分，目標小特征明顯。因此，選擇了YOLOv5算法，該算法對小目標的精度有顯著提高。同時，引入一種名為CBMA的注意力機制，通過學習每個通道的重要性，為具有重要特征的通道分配更多權重，以避免由于無人機圖像中大量相似物體而導致的錯誤檢測和漏檢。無人機檢測到目標后，計算目標的位置并將其發(fā)送到地面無人駕駛車輛（圖6）。
圖6 CBAM整體模塊化結構
對象檢測步驟如下：
圖7 無人機物體檢測的步驟
如圖7所示? 顯示了第一次實時地圖構建的結果和后處理優(yōu)化的結果? 顯示了道路網(wǎng)絡提取的結果。實時地圖構建的耗時滿足了空地無人協(xié)作系統(tǒng)執(zhí)行任務的需要（圖8）。
圖8 實時地圖構建、后處理優(yōu)化和路網(wǎng)提取的結果
該實驗數(shù)據(jù)集采用自主采集方法。通過無人機的實際拍攝，共收集了4247張照片。檢測目標在無人機視角上選擇相似度高的白色皮卡和白色轎車兩種類型。有3947張圖片包括汽車和2968張圖片包括皮卡車，部分數(shù)據(jù)可視化結果如圖9所示：
圖9 目標識別前的可視化圖像結果
訓練結果如圖10所示，其中橫軸是訓練輪數(shù)，縱軸是數(shù)值，兩者都沒有單位。從觀察可以看出，損失值和映射值在前期迅速收斂，然后達到穩(wěn)定。直到訓練結束，兩個模型的訓練效果都不錯，沒有過擬合和欠擬合的情況。模型的map值達到91.2%，損失值在減小后也趨于穩(wěn)定，驗證了改進策略的可行性。
圖10 訓練結果收斂圖
目視檢測結果如圖11所示，可以看出兩類目標被清晰地檢測到。綠色盒子是皮卡車，黃色盒子是汽車，實際檢測效果極佳。
圖11 目標識別后的可視化圖像結果
針對地面無人飛行器在野外高動態(tài)未知環(huán)境下缺乏先驗信息，在復雜環(huán)境下難以執(zhí)行任務的問題，提出構建空地無人協(xié)同系統(tǒng)，利用智能無人機感知技術提供地圖、路網(wǎng)、 目標位置等。它可以引導地面無人車輛快速接近目標，有效提高地面無人車輛的自主導航、避障和偵察能力。
源自：https://doi.org/10.1007/978-981-99-0479-2_360
2025-09-17 10:55
2025-09-16 09:27
2025-09-12 11:30
2025-09-11 10:41
2025-09-09 10:52
2025-09-04 21:58
2025-08-28 11:13
2025-08-27 14:14
2025-08-26 13:50
2025-08-23 20:37
