一种用于海上环境中基于不完整测量数据实现无人机跟踪的双LSTM协同网络

《Drones》:A Dual-LSTM Collaborative Network for Maneuvering UAV Tracking with Incomplete Measurements in Maritime Environments

【字体: 大 中 小 】 时间:2026年07月06日 来源:Drones 5.2

编辑推荐:

   摘要

  

摘要

在复杂的海洋环境中追踪高度机动的无人机面临着诸多挑战:动态的海面干扰以及低空遮挡使得无人机的运动轨迹难以预测;无人机强烈的机动性对跟踪的实时性能和精度提出了极高要求;此外,海洋环境中的噪声以及不稳定的船载传感器数据还会导致测量数据不完整。这些因素共同限制了现有用于复杂海洋场景下无人机追踪方法的适应能力和稳定性。在此背景下,准确识别无人机的模型成为提升跟踪性能的关键。传统的交互式多模型方法依靠概率加权来选择模型,但在无人机机动时会出现响应延迟,而且固定的模型集无法适应不同的机动场景,从而导致无人机速度估计的精度下降。为了解决这些问题,本研究提出了一种双长短期记忆网络架构,针对船载雷达测量中数据不完整以及模型概率估计不准确这两个关键问题,给出了相应的解决方案。首先,提出了一种基于在线训练的长短期记忆网络的不完整测量补偿方法,该方法能够实时拟合并恢复历史测量数据,为海洋环境中的船载平台无人机跟踪提供连续且稳定的测量数据。其次,在此基础上开发了一种基于长短期记忆网络的无人机模型识别方法,该方法能够直接从多帧历史测量信息中识别出无人机的当前运动模型,有效减少了机动带来的延迟。此外,还利用GPS数据作为训练标签来生成最优的模型概率,从而提升了模型的可靠性。仿真结果表明,在测量数据不完整的条件下,所提出的方法能够有效重建缺失的测量数据,确保测量的连续性。而在测量数据完整的条件下,基于长短期记忆网络的模型识别方法显著提升了无人机模型识别的精度以及三维速度估计的性能,充分证明了深度学习在海洋环境中的船载平台无人机追踪应用中的有效性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号