基于视觉的无人机集群编队控制：一种分层架构方法

作者及机构
本研究由Liqun Ma（北京理工大学与航天神舟飞行器有限公司联合培养博士后）、Dongyuan Meng、Xu Huang（航天神舟飞行器有限公司）以及Shuaihe Zhao（北京理工大学与航天神舟飞行器有限公司联合培养博士后）共同完成，发表于2023年7月的期刊 *IEEE Access*（DOI: 10.1109/ACCESS.2023.3296603）。

学术背景

研究领域与动机
该研究属于无人机（UAV）集群控制与计算机视觉交叉领域。在GPS拒止环境中（如信号受干扰或遮挡），无人机集群的相对定位与编队控制面临严峻挑战。传统依赖全球导航卫星系统（GNSS）的方法失效时，需开发不依赖外部定位的替代方案。现有视觉定位技术（如协作SLAM、UWB）多限于室内场景，而室外环境下无人机体积小、背景复杂、外观相似等问题增加了视觉检测与跟踪的难度。

研究目标
提出一种基于单目视觉的分层架构编队控制策略，仅需一架领航无人机（Leader UAV）搭载摄像头，通过深度学习算法（YOLOv7和DeepSORT）实现跟随无人机（Follower UAVs）的检测、跟踪与定位，最终在无GNSS条件下完成集群编队控制。

研究方法与流程

1. 分层架构设计

• 领航无人机：配备单目相机、图像处理器（NVIDIA Jetson Nano）及通信模块，负责实时检测、跟踪跟随无人机，并广播其位置信息。
  
• 跟随无人机：仅需接收位置指令，通过本地控制器实现编队运动，无需额外视觉传感器。
  
• 通信机制：采用星型网络拓扑，领航无人机集中分发位置数据，跟随无人机分散控制。
  

2. 视觉定位算法流程

（1）检测（Detection）
- 算法选择：对比YOLOv7-tiny、YOLOv7和YOLOv7-x三种模型，最终选用YOLOv7-tiny（参数量603万），在保持高精度（平均精度AP>94%）的同时满足实时性需求（推理延迟46 ms）。
- 数据集：通过仿真（RflySim平台）和真实飞行试验采集3900张图像，标注无人机目标框，按8:1:1划分训练集、验证集和测试集。

（2）跟踪（Tracking）
- 算法改进：在SORT（基于卡尔曼滤波和匈牙利算法）基础上引入DeepSORT，结合运动模型（马氏距离）和外观特征（CNN描述符），减少遮挡导致的ID切换。
- 无标记ID校正：初始帧根据空间位置预分配ID，替代DeepSORT的随机分配，有效过滤误检（FP）。

（3）定位（Localization）
- 坐标系转换：通过相机标定参数（旋转矩阵 (^bR_c)）和无人机姿态数据（IMU），将图像坐标系中的目标位置转换至全局坐标系。
- 高度估计：利用领航与跟随无人机的相对高度（已知）和相机焦距，计算目标距离。

（4）编队控制（Formation Control）
- 控制律设计：基于单积分器模型，采用一致性协议（Consensus Protocol）生成速度指令，饱和函数限制最大速度（(u_{\text{max}}=5\text{m/s})）。
- 避撞机制：人工势场法（APF）在距离 m时触发。

3. 实验验证

• 仿真测试：在RflySim中模拟天空、陆地、湖泊三种背景，验证算法鲁棒性。YOLOv7-x在复杂陆地场景AP达96%，定位误差<0.1 m。
  
• 真实飞行：5架四旋翼无人机集群，领航无人机搭载相机（720×1280分辨率，30 fps），跟随无人机仅接收2 fps的位置广播。结果显示视觉定位误差<0.3 m，编队切换（线形→菱形→旋转）任务成功完成。
  

主要结果与结论

1. 视觉定位性能：YOLOv7-tiny+DeepSORT框架在室外场景下实现9 Hz的实时更新，定位误差0.3 m，优于传统滤波方法（如JPDAF）。
   
2. 编队控制效果：分层架构将计算负载集中于领航无人机，跟随无人机仅需低成本处理器，适合大规模集群应用。
   
3. 创新性：
   
   • 算法层面：首次将YOLOv7与DeepSORT结合用于无人机集群跟踪，提出无标记ID校正方法。
     
   • 系统层面：仅需单目相机和入门级AI平台（Jetson Nano），降低了硬件成本。
     

研究价值与亮点

科学价值
- 为GNSS拒止环境下的无人机集群提供了可行的视觉定位解决方案，填补了室外场景研究的空白。
- 验证了深度学习在动态目标跟踪中的泛化能力，尤其针对小目标（远距离无人机）和相似外观目标。

应用价值
- 可扩展至军事侦察、灾害救援等任务，其中隐蔽性和抗干扰能力至关重要。
- 分层架构设计为资源受限的小型无人机集群提供了工程实践参考。

亮点总结
1. 低成本高鲁棒性：仅需一架无人机配备相机，其余节点硬件需求极低。
2. 算法创新：结合最新YOLOv7与DeepSORT，优化了复杂背景下的多目标跟踪精度。
3. 全流程验证：从仿真到真实飞行，覆盖多场景测试，数据可复现性强。

其他有价值内容

• 应急方案：讨论了领航无人机故障时的三种冗余策略（动态重分配、多领航设计、视觉备用导航），增强系统可靠性。
  
• 未来方向：计划扩大集群规模（>100架）并研究动态领航下的编队控制，进一步提升实用性。
  

（全文约2000字）