复杂海洋环境中基于视觉的无人水面航行器目标跟踪基准测试

基于视觉的目标跟踪对于无人水面航行器（USV）执行检测、监控和监视等任务至关重要。然而，在复杂海洋环境中进行实时跟踪具有挑战性，原因包括动态相机运动、低能见度和尺度变化。通常，将目标检测方法与滤波技术结合用于跟踪，但它们往往缺乏鲁棒性，特别是在相机运动和漏检的情况下。尽管近期已提出先进的跟踪方法，但其在海洋场景中的应用仍然有限。为了填补这一空白，本研究提出了一种面向USV的视觉引导目标跟踪框架，将最先进的跟踪算法与底层控制系统集成，以在动态海洋环境中实现精确跟踪。我们通过评估模拟和真实海洋数据集上的七种不同跟踪器来基准测试其性能，这些跟踪器利用Siamese网络和Transformer等先进深度学习技术开发。此外，我们还评估了各种控制算法与这些跟踪系统的鲁棒性。所提出的框架通过模拟和真实海上实验进行了验证，证明了其在处理动态海洋条件方面的有效性。结果表明，基于Transformer的跟踪器SeqTrack在恶劣条件下（如沙尘暴）表现最佳。在所评估的控制算法中，线性二次型调节器（LQR）展示了最鲁棒和平滑的控制能力，使USV能够稳定跟踪。