基于多源数据的飞行器进近威胁目标检测跟踪及行为预测

大部分飞行事故发生在飞行器下滑着陆的进近阶段。驾驶员的视觉局限性和进近通道内的异物侵入是导致飞机进近事故的主要因素。进近阶段威胁目标的有效检测及对其行为的准确预测是降低飞行事故发生的重要手段。飞行器进近时的不稳定性及机场环境的复杂性使安全进近具有挑战性。因此，必须综合采用多种数据源，从多角度、多维度对各种传感器采集到的信息进行融合、集成，以实现对环境及威胁目标的可靠感知。本课题主要研究以下三方面的内容：1）多源异构数据在三维场景中的可靠匹配与融合方法；2）面向威胁目标可靠检测的鲁棒性特征表达及新型分类器设计理论；3）复杂背景下飞行器威胁目标的跟踪方法与行为预测模型。拟通过构建基于多源异构数据的威胁目标行为分析新理论与新方法，为空管人员指挥协调提供辅助决策信息，为飞行器安全进近着陆提供保障。

在复杂地形、气象、电磁和多类威胁目标等特殊环境下，基于多源数据的飞行器进近威胁目标检测跟踪及行为预测受到了机器控制学、信息学、图像处理、模式识别、人工智能等研究领域的广泛关注。针对当前高动态、多干扰条件下，各种威胁目标的几何、物理和行为模型的数字表达和识别问题，中国科学院大学焦建彬教授领导的课题组与北京航空航天大学合作，在国家自然科学基金项目“基于多源数据的飞行器进近威胁目标检测跟踪及行为预测（编号：61039003）”的资助下，开展了深入的研究工作，取得如下主要成果：.1.提取了由粗到精的MSO（Multi-scale Orientation）视觉特征表达；该表达能够大幅度降低特征块的种类与数量，在保证检测精度的同时提高检测效率，实现目标的快速检测；在测试常用局部特征描述子分类性能的基础上，提出了HOG_SURF综合特征描述子，能大幅度降低特征维度，提高检测效率。 .2.所提出的稀疏感知分类方法从全局最优的角度对特征进行选择，构造高维数据的稀疏表达，因此能够去除冗余成份及干扰信息，实现目标模式的紧致表示，提高分类方法的效率；.3.提出了一种分段线性支持向量机PL-SVM，能够充分利用SVM的边界最大化特性及线性分类方法效率较高的优点，有效避免采用核函数方法构造非线性SVM时效率较低、可扩展性差等问题；.4.提出了一种自适应目标稀疏表达与跟踪方法，该方法考虑目标及其背景的变化，将目标的压缩感知特征在滤波框架下进行自适应调整，保证了跟踪的稳定性和鲁棒性；.5.采用基于最小二乘三次B样条曲线逼近LCSCA，针对跟踪轨迹不准确、局部轨迹缺失和片段的问题，在保持目标轨迹时序结构不变的情况下，实现了分段轨迹模式的稀疏表示与重构，能够用于特定场景中异常行为的检测；.6.提出了基于拓扑能量模型的多源信息融合方法，在目标层建立一种拓扑-能量模型，通过能量最小化的方法实现图像与激光雷达信息的融合；在多目标跟踪中进行了有效的验证；.7.基于无人机平台进行了飞行器航迹规划研究，提出新的基于协同与几何距离学习的飞行器航迹规划方法（CGL）及一种无人机规划轨迹的衡量方法。CGL利用地图信息以及复杂环境中的危险信息来计算航迹,；利用归纳法从理论上证明该方法能够在有限信息情况获得最优航迹。.撰写论著1本（正在申请书号），发表重要学术论文46篇（SCI收录19篇），申请专利4项。