摘要
无人机在当代社会中扮演着重要的角色，被广泛应用于航拍摄影、农业、监测与勘察、应急响应等领域。由于单个无人机性能上的限制，往往需要多架无人机协同编队运行以完成各种复杂任务，因此无人机集群的概念逐渐引起人们的关注。为实现无人机集群编队飞行，首要解决的问题就是集群无人机内部的相对定位，具备可靠的相对定位方式才能使得整个飞行队形得以保持。现行的无人机编队飞行主要依靠 GPS 与内部通信实现，这种方式难以适应于诸如GPS信号弱或受干扰区域。为了在GPS拒止情况下实现无人机集群相对位置的感知，本文提出了一种基于单目视觉的无人机集群相对定位技术，其主要内容如下： (1)轻量化空对空无人机目标检测：首先构建了一个包含超过 1 万张空对空无人机图像的数据集。这个数据集涵盖了多样化和复杂的背景，可以增强模型的训练能力。随后，本文通过借鉴一些先进的轻量化架构思想如通道分割，通道混洗，特征复用等对YOLOv5算法进行了一系列改进，使其在保证精度的同时具有较快的检测速度。改进模型的参数量仅为YOLOv5s的34%，计算量为YOLOv5s的37%。实验结果显示，改进模型在自建数据集上实现了95.4%的精度，在Det-Fly数据集上其精度也达到了82.23%，同时，嵌入式实验中改进算法在TX2上FPS达到了69。 (2)无人机二维轨迹追踪：将轻量化无人机检测模型与 DeepSORT 目标追踪模型相结合，以检测到的无人机目标框形心作为无人机所处位置，实现像素坐标系下的目标无人机二维轨迹生成，实验结果显示使用改进的目标检测模型结合DeepSORT算法进行的目标跟踪其多目标追踪准确度与精度分别为83.1%和90.6%，推理速度为59帧/s。 (3)无人机相对位置确定：使用无人机二维轨迹结合单目相机成像原理实现了无人机相对于机载摄像头的方位估算；通过借助单目相机测距原理获得了无人机相对于摄像头的距离。此二者结合即可实现无人机相对于相机的位置。实验结果显示在测距方面本文所提出的算法对稳定悬停目标的测距最大误差为 4.2%，在对动态目标跟踪中，定位算法在X、Y、Z轴方向上的平均误差分别为5.2%、4.7%、3.8%。 所提出的算法能够在 GPS 拒止环境中实现准确高效的无人机集群相对定位，测量的无人机相对位置基本符合无人机实际运行轨迹。
NETL