基于改进进化算法的无人机航迹规划

基于进化算法的无人机航迹规划已经得到了广泛的研究;但是由于其进化算子的多样化,还存在许多不足之处。针对现有进化算法的缺点引入一种新的坐标系,提出了一种定向进化策略,使每个航迹点根据具体情况进行定向变异。为了测试改进算法在航迹规划中的避障能力,进行了一系列的仿真实验。仿真结果表明基于改进进化算子的进化算法在无人机航迹规划应用中具有很大的优越性。     

小型无人机导航系统硬件设计

为提高某小型无人机导航系统的信号综合能力,结合低成本的设计思想,给出了某无人机导航系统的硬件设计方案。研究了惯性导航数据的采集过程。安排了17路数据的采集通道和采集时序。利用DSP丰富的串口资源,为硬件系统与半物理仿真平台及实际飞行器双方面的通信留出了接口。缩短了无人机的开发周期。通过半物理仿真实验,检验了硬件系统的实时性与准确性。该系统体积小、功耗低,可实现捷联惯导与GPS组合导航对外部数据的需求。具有一定的工程应用价值。     

高空长航时无人机优化设计

采用实数编码、过滤和交叉限制机制、改进的惩罚机制,改进了标准遗传算法,建立了多目标遗传算法,使之可以克服标准遗传算法的缺陷,并将其应用于高空长航时无人机的优化设计中,以空机重量和最大升阻比为性能目标,得到了优化问题得Pareto解。结果表明,高空长航时无人机优化后的总体性能得到改善,说明该方法适用于高空长航时无人机总体方案的优化设计,对方案研究有一定参考价值。     

无人机着舰姿态对尾钩定位的影响

鉴于无线电引导系统无法满足大型轮式固定翼无人机着舰引导的高精度要求,提出一种通过机身加装合作反射镜实现对无人机尾钩定位的光电引导系统,避免了传统光学引导中图像识别引起的跟踪定位误差。讨论了激光反射定位方法,重点分析了无人机姿态变动对基准点测量精度的影响,提出了激光反射镜安装位置的选择方法。最后通过仿真,给出了飞机姿态变动对尾钩测量精度影响的程度。     

基于MAK和Multigen Creator模型的建立

为了建立能在MAK系列软件中进行三维视景仿真的模型,以无人机模型的创建过程为例,阐述了如何利用MAK系列软件和Multigen Creator软件建模的主要方法和技巧。仿真结果表明,所创建的模型能够在MAK系列软件中得到应用,并达到了实时逼真的效果。为下一步的无人机协同作战任务规划的视景仿真提供了支撑。     

RF Signal-Based UAV Detection and Mode Classification: A Joint Feature Engineering Generator and Multi-Channel Deep Neural Network Approach

With the proliferation of Unmanned Aerial Vehicles (UAVs) to provide diverse critical services, such as surveillance, disaster management, and medicine delivery, the accurate detection of these small devices and the efficient classification of their flight modes are of paramount importance to guarantee their safe operation in our sky. Among the existing approaches, Radio Frequency (RF) based methods are less affected by complex environmental factors. The similarities between UAV RF signals and the diversity of frequency components make accurate detection and classification a particularly difficult task. To bridge this gap, we propose a joint Feature Engineering Generator (FEG) and Multi-Channel Deep Neural Network (MC-DNN) approach. Specifically, in FEG, data truncation and normalization separate different frequency components, the moving average filter reduces the outliers in the RF signal, and the concatenation fully exploits the details of the dataset. In addition, the multi-channel input in MC-DNN separates multiple frequency components and reduces the interference between them. A novel dataset that contains ten categories of RF signals from three types of UAVs is used to verify the effectiveness. Experiments show that the proposed method outperforms the state-of-the-art UAV detection and classification approaches in terms of 98.4% and F1 score of 98.3%.     

基于无人机多光谱影像的水稻风灾倒伏面积估算

风灾作为水稻气象灾害之一,严重影响着水稻的生长、产量以及品质。遥感技术作为倒伏作物监测的新途径,给作物受灾面积统计的实时、动态、宏观监测带来新思路,一定程度上弥补了传统方法的不足。以黑龙江省五常市典型水稻倒伏地块获取小型无人机多光谱数据,并基于此数据选取光谱特征、纹理特征、植被指数三个指标对比水稻倒伏前后的差异,接着以水稻倒伏前后的光谱特征、纹理特征结合最大似然法分类,植被指数差异选择最大阈值进行分类,最后对倒伏水稻的提取精度进行评价与分析。研究发现：（1）植被指数特征相对差异值最小（7%）,不适用于准确区分正常和倒伏水稻;光谱特征的相对差异值居中（18%）;纹理特征相对差异值最大（28%）,最适于区分正常和倒伏水稻。（2）从提取的水稻面积结果显示可知,基于均值纹理的分类方法的精度最高（94%）;基于光谱特征分类方法的精度居中（72%）,介于两者（植被指数和均值纹理特征）之间;基于植被指数最优阈值分类方法的精度最低（66%）。该结果可为制定灾后生产管理、防控措施、评估产量损失具有重要参考依据;为动态监测水稻倒伏面积具有重要的借鉴意义。     

基于改进人工鱼群算法的复杂地貌无人机三维路径规划

针对无人机在复杂海域地貌中的三维路径规划,在人工鱼群算法的基础上提出了一种改进的适应性人工鱼群算法。首先,利用数学模型建立地貌的三维模型,选取路径最短为性能评价函数,保证路径规划的合理性;其次,考虑到传统的人工鱼群算法前期收敛速度慢,后期需要精确搜索提高算法精度,提出自适应步长和自适应视野范围来更新个体的位置。为了避免算法陷入局部最优,在追尾行为中引入鱼群中的社会经验位置进行更新;最后,利用MATLAB对在3个复杂程度不同的地图中与传统的人工鱼群算法与粒子群算法对比,仿真结果表明改进后的人工鱼群算法在三维路径规划问题求解中具有更好的收敛速度和精度。     

无人机冲突探测与解脱技术研究概述

近年来,无人机已广泛应用于电力巡检、森林保护、快递配送,交通监控等领域,无人机技术得到飞速发展。无人机具有数量多,体积小,速度快等特点,无人机进入非隔离空域成为必然趋势,而冲突探测与解脱技术也成了当下的重点研究方向。冲突探测与解脱技术的提高对无人机飞行安全和飞行效益具有重要意义。本文系统地梳理了当下国内外的研究成果,对无人机冲突探测与解脱问题进行了概述。综述了冲突探测与解脱的模型,从理论模型的角度阐述了冲突解脱的目标和约束条件;并从方法论的角度对冲突探测与解脱的常用方法进行了总结。最后从现有研究的不足出发,对无人机冲突探测与解脱未来的研究趋势和方向进行了展望。     

基于改进卷积神经网络的非合作无人机检测应用

针对“黑飞”无人机侵犯公民隐私、危害个人及公共安全,现有的无人机检测算法难以平衡检测速度和精度且对小目标的检测精度较低等不足,本文在YOLOv3的基础上进行改进,提出MS-Net (Multi-Scale Object Detection Network) 对低空中的无人机进行快速高效地检测,为实现后续的防护压制提供依据。针对锚点框,通过 K-means聚类方法得出更准确预测目标区域的位置。在特征提取部分,使用SSP (Spatial Pyramid Pooling) 提取更丰富的特征信息,提升分类精度。在检测部分,提出ESE (Enhanced Sequeeze and Excitation) 通道注意力机制在基本不影响检测速度的同时实现更加精确的多尺度目标检测。实验结果表明：该方法在由无人机、风筝、鸟等组成的数据集上的检测速度为51FPS,平均准确率(mean average precision, mAP)为91.39%,比 YOLOv3 网络提高了6.42%;特别地,在无人机目标上的平均精度（average precision, AP）提升了7.42%。