减速伞拉出时间测试误差的修正

减速伞拉出时间是描述低空低阻伞弹弹道特性的重要参数之一,在研究某低空低阻伞弹投弹表编拟方法时发现,拉出时间的测试数据有较大误差,制约着其它弹道参数的正确确定和投弹表的编制精度。笔者利用实测坐标数的差分特性对实测拉出时间进行了修正,该方法有利于提高投弹表编制精度和改进拉出时间的测试手段。     

有/无人协同近距空中支援作战研究

近距空中支援（close air support,CAS）是空中作战力量支援地/海面部队的重要作战样式。基于美军使用机载前进空中控制员（forward air controller(airborne),FAC(A)）执行CAS的作战分析,总结出无人机引导有人机执行近距空中支援的军事需求,并就有/无人协同近距空中支援的典型作战场景、任务流程、体系节点分工展开分析,重点剖析末端协同实施阶段涉及的核心技术,基于主要体系节点通联方式和能力需求分析,给出了有/无人协同近距空中支援的工程化实施思路,为有/无人协同近距空中支援体系能力建设提供技术支撑。     

基于齐默曼布局的微小型无人机气动布局设计研究

齐默曼布局是小展弦比实现大升阻比的优秀气动布局,相比于矩形翼等传统布局非常适合微小型无人飞行器使用。采用综合方法针对齐默曼布局开展小型飞行器的总体设计与气动设计工作,包括以下四个阶段,即通过给定设计目标对无人机任务载荷进行选型;基于翼载、质量和翼型之间相互迭代确定无人机总体参数;结合计算流体力学方法对无人机进行数值模拟,最终获得无人机具体气动参数并指导电子部件与飞控选型;通过工程试制完成样机制造并进行外出试飞实验,验证了齐默曼布局在低雷诺数下的气动优势。研究结果表明,齐默曼布局在微型固定翼无人机应用中展现出良好的表现。据此,本文进一步构建了一套基于齐默曼布局的高性能微小型固定翼飞行器设计方案。     

仿蝴蝶扑翼飞行器:研究进展、挑战与未来发展

以昆虫为灵感设计的仿生扑翼飞行器在近三十余年来的时间里发展迅速,而蝴蝶作为众多昆虫中极富特色的一种也得到了许多研究者的关注。国内外以蝴蝶为研究对象进行了许多的仿生学研究和仿生飞行器研制,尤其是近十年来仿蝴蝶扑翼飞行器的设计与制造取得了较大的进展。对这一热点领域的研究进行了综述。首先从仿蝴蝶扑翼飞行器(BIFAV)的升力机制研究、结构设计与制造以及驱动与控制方面,综述近年来所取得的研究成果;其次指出仿蝴蝶扑翼飞行器目前在大小尺度、飞行灵活性、续航时间、控制鲁棒性以及仿生的逼真性方面仍然存在研究挑战;最终表明其未来的研究将朝着更小的尺寸、更灵活的飞行与更可靠的控制、更高的仿生程度等方向进一步完善。     

基于红外传感器的多无人机对高速飞行器协同定位跟踪方法综述

为了实现高精度远距离稳定定位与跟踪,多无人机搭载红外传感器对高速飞行器的定位跟踪方法成为研究热点。就此背景进行了综合评述,以相关技术难点及关键技术为切入点,分析了瞬时定位和动态跟踪问题的研究现状和发展方向。在瞬时协同定位方面,首先对目标瞬时定位的算法进行了分析对比,然后对造成定位误差的影响因素进行分析并探讨了误差补偿方法,最后针对传感器资源优化,讨论了能够使计算结果最优的传感器分布阵型。在动态跟踪方面,首先探讨了时间不同步问题对目标跟踪的影响及补偿方法,然后对目标运动学建模的问题进行了分析,最后对最优估计问题中各种滤波算法的应用进行对比。综述表明,无人机搭载红外传感器对高速飞行器进行定位和跟踪,存在误差来源多、相对运动速度快的技术难点,需要特别关注定位算法、误差来源及最优估计算法的影响,以尽可能实现稳定跟踪。     

生成对抗网络及其在无人系统中的应用

生成对抗网络（GAN）在无人系统多个层次上的应用提高了其智能化、自主化水平,具有巨大的应用价值和发展潜力。对GAN在无人系统技术中的应用进行了综合评述并且进行了展望。首先介绍了GAN的基本概念、训练方式和传统GAN的模型结构,并且从模型结构的变动、目标损失的变化以及适用的领域等方面详细介绍了深度卷积生成对抗网络（DCGAN）、循环生成对抗网络（CylcleGAN）、生成对抗模仿学习（GAIL）、序列生成对抗网络（SeqGAN）等GAN的8种衍生模型。接着概述了与无人系统OODA回路相关的智能感知、智能判断、智能决策、人机交互等方向上GAN方法的实际应用。最后基于无人系统共性技术的发展趋势,对GAN在无人系统的单体智能、多体或群体智能以及人机混合智能等方向上的应用进行了展望。     

基于多分支注意力改进的YOLOv5无人艇目标检测方法

针对水面无人艇目标检测类别多、尺寸小、形变大等难题,提出了基于多分支注意力改进的YOLOv5检测算法。首先提出了一种SAv2Attention模块,通过对通道的“复制-转换-合并”等处理,实现卷积层通道间与通道内特征融合,提升网络的局部感受野,然后将其嵌入到YOLOv5网络,最后在构建的真实海试数据集上进行了大量对比实验。结果表明,SAv2Attention可有效提升YOLOv5的检测精度,典型海面目标数据集上,mAP@0.5检测精度达到94.6%,mAP@0.5:0.95检测精度达到60.9%,相较于原生算法分别提高1.4%和3%,对小尺寸目标平均检测率APS提升4.3%,证明所提方法能有效提升无人艇对水面小目标的检测能力。