摘要
随着计算机视觉技术与无人机技术的蓬勃发展，基于视觉的无人机跟踪目标已成为视觉和无人机双领域的重要研究方向。近来，无人机在纳卡之战和俄乌冲突中均展现了强大的军事力量。同时无人机在交通监控、灾后搜索与救援等场景也体现了其广泛的民用前景。但仅利用单无人机跟踪地面目标已经难以满足愈趋复杂的实际场景，多无人机基于任务分配结果开展跟踪工作将成为一种趋势。在此背景下，开展基于视觉的多无人机对地目标的任务分配与跟踪研究具有重大的理论意义及应用价值。 本文主要解决多架无人机利用视觉功能完成对多个地面目标的跟踪问题。本文所涉及的多机跟踪是多无人机通过信息资源共享达成统一的最大收益的跟踪分配方案，而不是控制多架无人机跟踪同一目标。即，本文主要研究单无人机平台的视觉识别与跟踪问题，以及无人机群的协调任务分配问题，最终根据目标分配结果导引无人机跟踪对应目标。 首先，研究一种基于深度学习的目标检测算法，利用YOLOv5算法实现无人机对地目标识别，在识别结果的基础上，提出了融合YOLO的改进KCF算法，有效解决目标遮挡、形变等问题，实现对视频流内目标的持续视觉跟踪。通过设计的数据集对检测和跟踪算法进行验证，结果表明YOLOv5精度和召回率均达到95%以上，融合了YOLO结果的KCF算法有效提升了跟踪成功率。 其次，研究一种基于遗传算法和拍卖算法的任务分配策略。根据任务场景构建了无人机群协调分配的两个阶段：初始分配阶段以及在线动态分配阶段。在初始分配阶段采用改进的遗传算法解决多无人机初始分配问题，在动态分配阶段采用基于共识的拍卖算法解决无人机群协商重新分配问题，使整个无人机群在跟踪过程中，通过无人机群的通信，不断优化跟踪方案，实现捕获信息最大化。对两个阶段提出的算法进行仿真，验证了其在本文背景下的有效性。 最后，根据无人机速度远高于地面目标速度的实际特点，研究一种无人机盘旋式跟踪地面目标的导引跟踪方法。基于协调转向机制，设计了一种横向导引算法，为无人机提供跟踪的导引律，并证明了其渐近稳定性。通过控制滚转角使无人机能够对地面目标进行盘旋式跟踪，在全方位侦测目标信息的同时降低被反侦察的风险。本文分别对静止目标、直线和曲线运动目标三种情况进行仿真，验证导引律对于本文跟踪问题的有效性。
NETL