An Autonomous Drone Swarm for Detecting and Tracking Anomalies among Dense Vegetation

无人机群提供了增加感知孔径的能力，而使它们模仿自然群集的行为可以通过适应当地条件来增强采样。我们展示了这样的方法使得检测和跟踪受到严重遮挡的目标变得实际可行。虽然将目标分类应用于传统航空图像的泛化能力较差，因此即使在轻度遮挡的情况下效率也很低，但应用于合成孔径积分图像的异常检测对于密集的植被（如森林）是鲁棒的，并且不依赖于预先训练的类别。我们的自主群集在环境中搜索未知或意外事件，同时不断适应其采样模式以优化局部观察条件。在我们使用六架无人机的实地实验中，我们实现了平均位置精度为0.39米，平均精度为93.2％，平均召回率为95.9％。在这里，适应的粒子群优化考虑了检测置信度和预测目标外观。我们展示了传感器噪声可以有效地包括在合成孔径图像集成过程中，从而消除了对高维参数空间的计算成本昂贵的优化的需求。最后，我们提供了一个完整的硬件和软件框架，支持低延迟传输（约80毫秒往返时间）和快速处理（每个形成步骤约600毫秒）大量（70-120 Mbit/s）的视频和遥测数据以及多达十个无人机的群集控制。

本论文旨在提出一种基于无人机群体的目标检测和跟踪方法，解决密集植被遮挡下的目标识别问题。

论文提出了一种基于合成孔径技术和粒子群优化算法的目标检测和跟踪方法，利用无人机群体的优势实现对密集植被遮挡下的目标检测和跟踪。

论文使用了一个由六个无人机组成的群体进行实验，实现了对目标的高精度定位和跟踪。同时，论文提出的方法具有适应性，能够根据环境变化实时调整采样模式，提高检测效率。最终，论文还提供了一个完整的硬件和软件框架，支持高速数据传输和处理。

在相关研究方面，近年来也有许多学者探索利用无人机群体进行目标检测和跟踪。例如，A. Zeng等人在《UAV-based object tracking: from drones to autonomous drone swarms》一文中提出了一种基于无人机群体的目标跟踪方法。