博文

北京航空航天大学胡庆雷教授团队丨低空安全下的无人机感知控制一体化跟踪技术

已有 361 次阅读 2026-10-19 08:31 |个人分类:论文推荐|系统分类:博客资讯

编辑荐语

本期将给大家分享“低空安全下的无人机感知控制一体化跟踪技术(Integrated perception and control for UAV target tracking in low-altitude airspace security)”. 如您对本期相关内容有好的理解与建议, 欢迎评论区留言.

低空安全防御正面临“低慢小”无人机目标尺度小、机动性强、背景复杂等严峻挑战, 视觉漏检、误检与跟踪中断直接制约防御任务的连续性. 针对这一难题, 本文提出了一种无人机视觉感知与跟踪控制一体化方法, 将目标检测与飞行控制深度耦合, 形成了感知–决策–执行的闭环体系. 研究首先基于YOLOv10构建轻量化检测网络BiGNet, 通过多尺度特征融合与轻量化卷积设计, 显著增强了复杂背景下小目标的表征能力, 同时有效控制了计算开销; 进而将视觉检测结果经坐标变换转化为目标相对位置信息, 并在模型预测控制框架中引入视觉感知代价项, 使目标图像中心偏差与期望跟踪距离误差共同参与滚动优化, 实现感知信息对控制指令的直接引导; 针对近距离跟踪中气动扰动导致的状态不稳问题, 采用高斯过程回归对附加扰动进行在线建模, 并将扰动补偿融入预测模型, 显著提升了复杂动态环境下的跟踪稳定性. 仿真与对比实验表明, 所提方法在检测精度、推理效率以及扰动条件下目标可见性与跟踪稳定性方面均优于现有主流方案, 为低空安全防御中的持续跟踪与后续处置提供了坚实的技术支撑, 也展现了感知控制一体化方法在低空安防领域的广阔应用前景.

论文介绍

低空安全下的无人机感知控制一体化跟踪技术

Integrated perception and control for UAV target tracking in low-altitude airspace security

陈子路1, 梁鸿雅2, 张毅博2, 韩亮2†, 李东禹1, 胡庆雷3

机构: 1. 北京航空航天大学网络空间安全学院; 2. 北京航空航天大学中法工程师学院; 3. 北京航空航天大学自动化科学与电气工程学院.

引用: 陈子路, 梁鸿雅, 张毅博, 等. 低空安全下的无人机感知控制一体化跟踪技术. 控制理论与应用, 2026, 43(9): 1868 – 1880

DOI: 10.7641/CTA.2026.60037

全文链接:

https://jcta.ijournals.cn/cta_cn/ch/reader/view_abstract.aspx?file_no=CCTA260037&flag=1

摘要

低慢小无人机具有尺度小、机动性强、低空背景复杂等特点, 易造成视觉漏检、误检和跟踪中断, 影响低空安全防御任务的连续性. 针对复杂城市与关键基础设施背景下低慢小目标难以实时检测和稳定跟踪的问题, 提出一种无人机视觉感知与跟踪控制一体化方法. 首先, 基于YOLOv10构建轻量化检测网络BiGNet, 通过多尺度特征融合和轻量化卷积增强复杂背景下小目标表征能力, 并降低模型计算开销. 然后, 将视觉检测结果经坐标变换转换为目标相对位置信息, 并在模型预测控制框架中构造视觉感知代价项, 使目标图像中心偏差和期望跟踪距离误差参与滚动优化. 进一步地, 针对近距离跟踪过程中的气动扰动影响, 采用高斯过程回归建模附加扰动, 并将扰动补偿引入预测模型. 仿真与对比实验表明, 所提方法能够提高复杂低空场景下低慢小目标的检测效果和在线推理效率, 并在扰动条件下保持目标可见性和跟踪稳定性, 为低空安全防御中的持续跟踪与后续处置提供技术支撑.

引言

低空经济是指在3000 m以下的低空空域内, 以各种有人驾驶和无人驾驶航空器的低空飞行活动为牵引, 辐射带动相关领域融合发展的综合性经济形态. 近年来, 低空经济在我国快速发展, 在医疗、救援、农业、教育等领域展现出广阔前景. 2023年我国低空经济规模已超过5000亿元, 2024年3月工信部、科技部、财政部等部门联合印发《通用航空装备创新应用实施方案(2024–2030 年)》, 预计到2035年其规模将达到万亿级别[1–2]. 无人机产业作为低空经济的重要组成部分, 随着控制领域和通信技术的发展日益成熟, 无人机凭借其成本低、体积小、易操控、高灵活性等特点, 在军事侦察、农药喷洒、灾后救援等领域都有成熟的运用[3]. 尽管无人机的广泛应用为许多行业带来了便利, 但其带来的安全隐患也不容小觑. 由于当前无人机行业缺乏统一的行业标准和规范, 存在无人机在禁飞区飞行等问题, 监管难度大幅增加. 特别是具有“低空超低空飞行、飞行速度较慢、不易被雷达发现”等特征的低慢小无人机, 会带来侵犯个人隐私、干扰民航飞机正常运行等各类问题, 影响正常的生产活动, 甚至威胁公共安全. 因此, 针对这些风险, 无人机反制技术成为了新兴的研究方向, 通过实时探测、持续跟踪与精准处置, 可以有效识别并应对非法无人机, 确保低空空域的安全与稳定, 保障低空经济的可持续发展.

国内外现有的对于无人机反制技术的研究主要可分为软杀伤和硬杀伤两个方面[4]. 软杀伤是针对无人机上的通信、导航等系统实施电子干扰, 包括电子压制和电子欺骗, 以达到无线电劫持、无人机致盲、导航欺骗等效果. 常见方法包括发射大功率干扰射频切断无人机与遥控器的通信, 迫使其降落或返航, 或干扰GPS信号使无人机仅依赖惯性导航. 现代系统如2024年俄罗斯正在完善最新型的ROSC-1反无人机系统, 则通过屏蔽敌方无人机信道、发送错误坐标手段有效阻止和控制无人机. 硬杀伤主要是对无人机造成物理损伤, 主要采用武器打击、捕获或撞击等方式. 美国研制的高能激光移动演示器[5]和中国研制的“寂静狩猎者”等作为激光武器的代表, 可在发现无人机后迅速将其击落. 在国内, 民航机场等禁飞区选择使用固定或者车载的方式部署反无人机装备[6], 对无人机的反制通常以无线电、音频等形式进行监测, 以捕捉网和激光武器进行物理拦截, 以电子围栏和电磁干扰进行信号拦截[7]. 然而, 2024年9月, 天津滨海国际机场曾因无人机引发公共安全事件, 导致航班起降受到影响[8]. 这反映出当前低空安全保障手段在复杂场景下面临一定局限, 亟需发展能够在短时间内实现高效感知、持续跟踪并为后续拦截处置提供可靠支撑的关键技术. 特别地, 在反无人机任务链中, 跟踪是连接“目标发现”与“目标处置”的核心环节, 其性能直接影响拦截时机选择、相对位姿保持以及后续处置效果, 因此对于低空经济安全发展具有重要意义.

近年来, 利用无人机反制无人机的技术研究在迅速发展, 通过一个或多个无人机的侦察与反制, 快速发现低慢小目标, 并对目标无人机实施持续跟踪、干扰和拦截. 在这一类系统中, 拦截是最终任务目标, 而准确、稳定的目标跟踪则是实现有效拦截的重要前提. 一方面, 跟踪过程能够持续提供目标的相对位置、运动趋势与机动状态信息, 为拦截策略生成与控制输入更新提供依据; 另一方面, 若跟踪精度不足或过程中发生目标丢失, 则后续拦截与处置将难以稳定实施. 因此, 在利用无人机反制无人机的技术研究当中, 目标跟踪并非独立于拦截之外的附属环节, 而是决定反制效果的关键基础. 主要的技术环节涉及对于非法行动的低慢小目标的检测和对于执行任务无人机的控制.

低慢小无人机的目标检测是利用无人机开展低慢小目标跟踪与拦截任务的前提条件, 该问题属于典型的动态目标检测问题, 基于YOLO的动态目标检测技术被广泛应用在这一领域. 2016年, Redmon等人[9]提出了一种名为YOLO的新型实时物体检测算法, 将物体检测问题视为回归问题, 直接预测空间分离的边界框和相应的类概率, 实现了端到端的优化, 具有极高的处理速度和良好的泛化能力. YOLO是第1个实现了实时的目标检测方法, 但其准确率较低, 尤其对小目标的检测有较大局限. 2017年至今, 国内外研究人员相继对YOLO算法进行了改进, 研发了YOLOv2至YOLOv10等多个改进算法[10–16]. 从检测速度、检测精度、泛化能力、部署性能等多方面对算法性能进行了大幅提升. 其中, 2024年5月发布的YOLOv10[16]提出了无极大值抑制(non-maximum suppression, NMS)训练的一致双重分配, 介绍了整体效率–精度驱动的模型设计策略, 降低了计算开销, 提高了模组性能. 此外, 快速区域卷积神经网络(faster region-based convolutional neural network, Faster R-CNN) 和检测 Transformer(detection transformer, DETR)也是常见的目标检测算法. Ren等人[17]在R-CNN[18]的基础上, 提出了Faster R-CNN算法, 采用两阶段检测算法, 先产生区域候选框, 再提取候选框特征, 最后产生位置框并预测类别. Faster R-CNN算法具有精度较高的物体检测性能, 有良好的鲁棒性和通用性, 但检测速度较慢, 无法达到实时检测的需求. Carion 等人[18] 提出了DETR算法, 采用基于匹配的集合全局损失和Transformer编码器–解码器架构, 将目标检测视为直接集合预测问题. DETR算法做到了无NMS处理和无候选框, 有效简化了检测流程; 但计算复杂度高, 计算速度较慢, 对小目标的检测效果相对较差. 动态目标检测技术较为成熟, 不同算法在检测精度和检测速度上各有利弊. 然而, 低慢小目标在视觉感知中仍具有显著挑战: 其目标尺寸小、像素占比低、纹理与边缘信息弱, 且姿态变化明显, 易受复杂背景、光照变化及噪声干扰; 同时, 该类目标在运动过程中常表现出机动性较强、方向变化频繁、短时轨迹难预测等特点, 容易导致漏检、误检和跟踪中断. 因此, 面向低慢小目标的检测算法不仅需要具备更强的小目标表征能力, 还需要具备更高的实时性与更低的推理时延, 以满足连续跟踪和快速响应的应用需求. 相较于通用动态目标检测, 针对低慢小目标的专用检测方法相对较少, 仍有进一步研究空间.

在低慢小目标的跟踪技术研究中, 目标检测技术是作为系统输入的感知模块, 而无人机跟踪控制技术则是控制模块的关键, 常采用的算法为模型预测控制(model predictive control, MPC). MPC是一种基于线性优化的控制方法. 它利用预测模型, 在每个采样时间通过求解一个有限时间范围的开放式最优控制问题, 解决当前系统状态的最优控制问题. MPC能够加入限定约束, 来适应不同环境与任务下的无人机跟踪控制需求. 近年来, 研究人员广泛研究了MPC在无人机控制中的应用. 2018年, Small等人[19]提出了一种利用嵌入式的非线性模型预测控制 (nonlinear MPC, NMPC)技术, 实现了微型飞行器在障碍物环境中的自主导航和避障, 能够处理非凸障碍物, 具有较高鲁棒性. 2021年, Matei等人[20]应用一个基于MPC的控制器和一个学习驱动的交互模型来解决多个四旋翼近距离机动造成的气流干扰问题. 2022年, Xi等人[21]提出了一种基于引导时间最优模型预测控制(guided time-optimal MPC, GTO-MPC) 的框架, 用于在复杂环境中用四旋翼无人机追逐逃逸目标, 结合神经网络提高了轨迹生成的效率和可行性. 2023年, Yan等人[22]提出了一种结合模型预测控制(MPC)、卡尔曼共识滤波器 (Kalman consensus filter, KCF)和固定时间扰动观测器 (fixed-time disturbance observer, FTDOB)的多无人机系统鲁棒控制策略, 以提高无人机编队在复杂环境中的稳定性和抗干扰能力. MPC控制中, 可以结合模型特点设计不同的目标和约束, 实现特定的控制效果. 针对低慢小目标的无人机跟踪控制技术中, 需要结合低慢小目标的运动特点和感知模块的目标检测特征建立模型, 明确控制约束和目标函数, 才能利用MPC控制方法实现无人机对低慢小目标的稳定跟踪, 并为后续拦截处置提供可靠的状态支撑与几何条件.

感知与控制一体化是指在自主系统中, 将传感器获取的外部环境信息与控制算法相结合, 形成一个闭环反馈控制过程. 随着感知技术的进步以及控制算法的优化, 这种集成方式正朝着更加智能化和实时化的方向发展, 提升了系统在复杂动态环境下的自适应性和鲁棒性. 2012 年, Bachrach 等人[23]提出了一种利用RGB-D相机在GPS拒止环境中进行自主飞行, 通过地图构建技术, 结合信念路线图算法进行路径规划, 实现精确的3D飞行和室内环境详细3D地图构建的创新系统. 2016年, Faessler等人[24]提出了一种基于视觉的无人机系统, 能够在不依赖任何外部定位系统的条件下实时绘制密集的三维地图并自主规划飞行轨迹. 2023年, Xing等人[25]设计了一种将感知与控制紧密结合的模型预测控制算法, 采用了一种基于学习的轻量级检测器, 实现了无人机自动巡检电力线路, 解决了现有系统感知与控制分离以及避障与跟踪电力线路分离的问题. 感知与控制一体化通过感知信息与控制算法的智能集成, 提高了系统的响应速度, 降低对外部数据的依赖, 能够实现更加多样的控制目标, 这对于利用无人机跟踪低慢小目标并为后续拦截处置提供信息支撑具有一定的启发.

目前针对低慢小目标的无人机跟踪研究内容仍相对较少, 而且相关方法中感知和控制模块一体化方面需要进一步改进. 围绕复杂城市背景下违规飞行低慢小目标的检测、跟踪与反制支撑问题, 基于无人机反制无人机的思想, 通过将目标检测算法与跟踪控制算法紧密耦合, 实现复杂背景下低慢小目标的高效识别与稳定跟踪. 本文研究重点聚焦于低慢小目标的视觉感知与跟踪控制问题, 其目标并非直接讨论末端硬杀伤或物理拦截实现, 而是面向反无人机任务链中的关键中间环节, 为后续拦截决策、干扰实施和协同处置提供连续、可靠的目标状态信息与控制支撑. 主要贡献可以概括如下: 1) 针对复杂城市背景下空中小目标识别与检测的问题, 提出基于轻量化卷积与高效特征融合的低慢小目标识别算法; 2) 基于感知控制一体化思想, 将目标检测结果转换为代价函数和约束, 设计紧密耦合视觉感知信息的模型预测控制器, 通过将视觉信息与跟踪控制一体化的方法实现对低慢小目标的稳定跟踪, 为后续拦截处置提供可靠基础; 3) 针对跟踪低慢小目标时气动力因素造成无人机状态变化过大丢失目标的问题, 基于高斯回归过程拟合机间气动力的相互作用, 通过在控制算法中进行扰动补偿来保证跟踪目标时的稳定性; 4) 针对现有数据集缺少机场等重要基础设施背景数据的问题, 通过自主研制仿真平台构建适合无人机跟踪与反制支撑任务的数据集, 充分涵盖各大城市环境下多样的背景.

第2节介绍了四旋翼无人机动力学和模型预测控制算法; 第3节介绍了基于骨干网络设计和轻量化卷积应用的改进低慢小目标检测算法; 第4节结合视觉感知信息和扰动补偿器, 介绍了感控一体化的针对低慢小目标的跟踪控制器; 第5节给出了支撑性的仿真结果并进行分析. 最后对全文进行了总结并展望后续的研究方向.

结论

本文围绕复杂城市背景下的低慢小目标检测与跟踪问题, 基于感知与控制一体化思想, 提出了一种结合轻量化卷积与高效特征融合的低慢小目标检测方法, 并将视觉感知信息与跟踪控制紧密耦合, 设计了一种能够实现低慢小目标高效跟踪的模型预测控制器. 主要贡献体现在以下4个方面: 首先, 针对复杂背景下低慢小目标检测的挑战, 本文提出了一种基于BiGNet的轻量化骨干网络结构, 通过引入GhostConv和BiFPN模块, 实现了高效的特征提取与多尺度特征融合, 显著提升了目标检测精度与整体性能; 其次, 提出了一种融合视觉感知信息与跟踪控制的针对低慢小目标的跟踪控制器, 将目标检测结果直接作为控制输入, 有效提升了无人机对目标的跟踪精度与稳定性; 第三, 针对跟踪过程中由于气流扰动引起的状态不稳定问题, 采用高斯回归过程对无人机间气动力相互作用进行建模, 并将扰动补偿机制引入控制器设计中, 有效增强了无人机在复杂环境中的跟踪稳定性. 实验结果表明, 本文提出的检测算法在mAP50, mAP50–95以及推理速度等指标上均优于现有主流检测模型, 验证了其在低慢小目标检测任务中的优越性能. 同时, 通过对无人机跟踪低慢小目标过程的仿真分析, 证明了所设计的感知控制一体化控制器在复杂动态环境下具备良好的鲁棒性和稳定性. 后续工作将进一步围绕多目标感知与控制协同优化、数据集扩展以及复杂视觉条件下的鲁棒性增强展开研究, 并针对目标局部遮挡、尺度快速变化等实际问题开展更系统的分析与验证, 以适应更加复杂和真实的应用场景.

作者简介

陈子路博士研究生, 主要研究方向为低空安全、无人机自主规划与控制等.

梁鸿雅硕士研究生, 主要研究方向为强化学习决策等.

张毅博硕士研究生, 主要研究方向为无人机视觉感知、模型预测控制等.

韩亮副教授, 博士生导师, 主要研究方向为导航感知、决策规划、自主控制、强化学习及仿真实验等.

李东禹教授, 博士生导师, 主要研究方向为大模型多源感知推理、空天飞行器组网安全、无人系统智能规划控制等.

胡庆雷教授, 博士生导师, 主要研究方向为航天器动力学与控制、导航、制导与控制、变结构控制、故障诊断与容错控制等.

期刊介绍

《控制理论与应用》(Control Theory & Applications)是经国家科学技术部批准, 教育部主管, 由华南理工大学和中国科学院数学与系统科学研究院联合主办的全国性一级学术刊物, 1984年创刊, 月刊, 国内外公开发行. 《控制理论与应用》是中国科学引文数据库首批统计源期刊之一，中文核心期刊，入选中国精品科技期刊顶尖学术论文F5000项目，中国科协自动化学科领域高质量科技期刊目录以及中国科协百篇优秀科技论文遴选计划，2021年入选广东省高质量科技期刊建设项目，2022-2024年连续获得基金委资助（科技活动专项）。

期刊封面2.jpg 目录2.jpg