本發(fā)明涉及無人機，尤其涉及一種基于檢波峰值跟隨方法的無人機偵干聯(lián)動系統(tǒng)。

背景技術(shù)：

1、當前的無人機偵干系統(tǒng)的設(shè)計主要基于一些標準或者平均的環(huán)境參數(shù)，但在實際的應(yīng)用場景中，環(huán)境的復雜性和動態(tài)性往往超出了設(shè)計的預期，這使得無人機的運行性能和偵查效果不能達到預期；例如，無人機需要在天氣變化，地形起伏，緊急情況下快速做出反應(yīng)和調(diào)整；

2、目標跟蹤精度問題：目前的無人機應(yīng)用中，如何進行精確的目標聚焦和跟蹤是一大問題；通常情況下，遠程目標的移動速度和方向等數(shù)據(jù)的實時獲取以及自身飛行狀態(tài)的調(diào)整是一個非常復雜的動態(tài)優(yōu)化問題，需要在極短的時間內(nèi)完成準確判斷和決策；

3、數(shù)據(jù)處理和解析問題：如何準確地從傳感器采集的大量數(shù)據(jù)中尋找有用的信息，進行實時的處理和決策，是當前的一大技術(shù)挑戰(zhàn)；尤其是在處理復雜背景或弱信號時，如何提高數(shù)據(jù)處理的效率以及降低誤判的風險都是重要的技術(shù)問題；

4、系統(tǒng)自主性問題：目前多數(shù)無人機偵干系統(tǒng)都依賴于遠程的人工控制，在一些極端的應(yīng)用環(huán)境或任務(wù)中，如何提高系統(tǒng)的自主性，減少人工干預，改善系統(tǒng)的性能和穩(wěn)定性是一項重要的技術(shù)挑戰(zhàn)；

技術(shù)實現(xiàn)思路

1、鑒于此本發(fā)明提出一種基于檢波峰值跟隨方法的無人機偵干聯(lián)動系統(tǒng)，能較好地解決上述新興問題；首先，檢波峰值跟隨方法可以有效提高目標跟蹤的精確度，降低干擾，減少誤判；其次，該系統(tǒng)結(jié)合多種傳感器并利用先進的數(shù)據(jù)處理技術(shù)，可以在復雜環(huán)境下實現(xiàn)準確的目標偵干；再次，通過優(yōu)化無人機的飛行策略，提高系統(tǒng)的自主性，使得無人機在充滿挑戰(zhàn)的任務(wù)中表現(xiàn)出色；因此，該系統(tǒng)將為無人機偵干技術(shù)的質(zhì)量和穩(wěn)定性等方面帶來重要的提升；

2、包括復雜環(huán)境動態(tài)適應(yīng)模塊、目標跟蹤精度模塊、大數(shù)據(jù)處理和解析模塊、自主決策模塊；

3、復雜環(huán)境動態(tài)適應(yīng)模塊

4、我們的目標是讓無人機能在各種環(huán)境中，根據(jù)環(huán)境變化，進行無人機硬件系統(tǒng)的動態(tài)適應(yīng)；我們在無人機上增加了多模態(tài)傳感器，如紅外感應(yīng)器、脈沖雷達和高精度定位設(shè)備等；同時，我們還開發(fā)了一款新型的3d映射設(shè)備，能夠在無人機飛行途中進行3d掃描并生成3d環(huán)境模型，幫助無人機更好的感知環(huán)境；

5、通過深度卷積神經(jīng)網(wǎng)絡(luò)(dcnn)和強化學習(rl)算法，對大量歷史環(huán)境數(shù)據(jù)進行自主學習，訓練無人機進行環(huán)境識別并做出最佳的適應(yīng)決策；此外，我們還引入了無人機的飛行控制系統(tǒng)和機載神經(jīng)計算單元，為無人機提供實時、自主的決策能力；

6、一、環(huán)境感知模塊：

7、環(huán)境感知模塊通過無人機搭載的傳感器進行獲取無人機周邊的環(huán)境信息，包括但不限于天氣情況、地形地貌、空氣湍流強度、電磁信號強度；；

8、為獲取更全面、更高質(zhì)量的環(huán)境信息，我們在無人機上裝備了以下幾類傳感器：紅外傳感器、雷達、重力傳感器、氣象傳感器、電磁信號傳感器等；如紅外傳感器可獲取周邊的熱輻射信息，估算出環(huán)境溫度；重力傳感器可感知飛行高度；雷達可以實時獲取地形地貌信息，發(fā)現(xiàn)障礙物；氣象傳感器可實時探測風向、風力等天氣情況；電磁信號傳感器可以搜集周邊的電磁信號；

9、二、數(shù)據(jù)預處理模塊：

10、數(shù)據(jù)預處理用以濾除噪聲，去掉異常值，去除冗余數(shù)據(jù)；在實際操作中，我們采用幾種方法對數(shù)據(jù)進行預處理：

11、濾波：通過一些專門的濾波器，包括但不限于低通濾波器、高通濾波器、帶通濾波器用以去除不必要的噪聲；

12、標準化：將數(shù)據(jù)標準化，消除量綱，使數(shù)據(jù)處于同一數(shù)量級，降低異常值的影響，更便于觀察數(shù)據(jù)的規(guī)律；

13、空缺數(shù)據(jù)填補：對于存在空缺的數(shù)據(jù)，如某些傳感器失靈或數(shù)據(jù)丟失造成的空缺，可以通過插值法、平均數(shù)法、最大概率值法等方法進行填補；

14、三、特征提取模塊：

15、特征提取模塊的主要任務(wù)是從預處理后的數(shù)據(jù)中尋找對目標任務(wù)有影響的特征，即那些刻畫環(huán)境變化、有助于無人機做出決策的特征；

16、具體操作中，我們采取以下方法：

17、參數(shù)統(tǒng)計法：例如，計算各項數(shù)據(jù)的基本統(tǒng)計量，如平均值、方差、偏度、峰度等，這些統(tǒng)計量往往能夠反映出數(shù)據(jù)整體的走勢和分布特性；

18、特征選擇法：對于高維數(shù)據(jù)，我們還可以使用一些特征選擇方法，如單變量特征選擇、遞歸特征消除、基于模型的特征選擇等，來選擇最有價值的特征；

19、四、自適應(yīng)控制模塊：

20、自適應(yīng)控制模塊是整個復雜環(huán)境動態(tài)適應(yīng)模塊的核心，其主要職責就是通過學習和優(yōu)化，讓無人機能夠主動適應(yīng)環(huán)境變化，進行優(yōu)化決策；在此，我們采用了深度強化學習(deep?reinforcement?learning)來實現(xiàn)無人機的自適應(yīng)控制；深度強化學習結(jié)合了深度學習的表征學習能力和強化學習的決策優(yōu)化能力，通常采用神經(jīng)網(wǎng)絡(luò)作為函數(shù)逼近器，對環(huán)境模型或者價值函數(shù)進行估計，并通過交互過程中的反饋信息來不斷優(yōu)化模型，指導無人機做出動態(tài)適應(yīng)的決策；

21、以上四個步驟形成了一個環(huán)環(huán)相扣的數(shù)據(jù)流；首先，環(huán)境感知模塊實時地收集無人機周邊的環(huán)境信息；接著，數(shù)據(jù)預處理模塊對收集到的原始數(shù)據(jù)進行預處理，提高數(shù)據(jù)質(zhì)量；然后，特征提取模塊在預處理后的數(shù)據(jù)中提取有用的特征；最后，自適應(yīng)控制模塊通過深度強化學習，讓無人機進行環(huán)境適應(yīng)的學習和決策；這四個環(huán)節(jié)同時運行，使無人機能夠在飛行過程中，對復雜環(huán)境實現(xiàn)持續(xù)的動態(tài)適應(yīng)；

22、在無模型環(huán)境下直接學習最優(yōu)策略；當我們引入神經(jīng)網(wǎng)絡(luò)(nn)來逼近q函數(shù)時(記作q(s,a；θ))，這就形成了深度q網(wǎng)絡(luò)(dqn)；在dqn中，神經(jīng)網(wǎng)絡(luò)的參數(shù)θ通過學習過程來迭代更新；

23、在每次迭代(time?step＝t)的過程中，網(wǎng)絡(luò)會進行以下步驟：

24、根據(jù)當前狀態(tài)s_t，選擇一個動作a_t；一般采用ε-greedy策略，即以ε的概率隨機選擇動作，以(1-ε)的概率選擇q值最大的動作；

25、執(zhí)行動作a_t，從環(huán)境中獲取下一狀態(tài)s_(t+1)和獎勵r_t；

26、更新q值；傳統(tǒng)的q-learning中，q值的更新公式為：q(s,a)←r+γmax_aq(s',a)，其中，γ是折扣因子，用于控制未來獎勵的影響程度；

27、對于dqn，我們將q值更新公式轉(zhuǎn)化為損失函數(shù)的形式，即：l(θ)＝e[(r+γmax_aq(s',a；θ-)-q(s,a；θ))^2]，其中e[]表示期望，θ-表示目標網(wǎng)絡(luò)的參數(shù)，θ表示當前網(wǎng)絡(luò)的參數(shù)；

28、通過隨機梯度下降(sgd)或其他優(yōu)化算法優(yōu)化損失函數(shù)，逐漸調(diào)整θ的值；

29、其中：

30、s表示當前的狀態(tài)，例如無人機的地理位置、高度、速度等；

31、a表示動作，例如無人機的飛行方向、速度變化等；

32、θ表示神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)；

33、s'表示執(zhí)行動作a之后的新狀態(tài)；

34、r表示執(zhí)行動作a后獲得的立即獎勵；

35、從無人機的位姿傳感器、圖像傳感器、雷達等模態(tài)取得初始狀態(tài)輸入s_1，以便獲取關(guān)于環(huán)境的初步信息；

36、對于每一步t，在狀態(tài)s_t下，根據(jù)ε-greedy策略選擇一個動作a_t執(zhí)行；隨著學習的進行，ε可能會逐漸降低，使未來的行動決策更依賴神經(jīng)網(wǎng)絡(luò)的輸出；

37、執(zhí)行動作a_t，無人機將從環(huán)境中收到一個獎勵r_t，并轉(zhuǎn)移到新的狀態(tài)s_(t+1)；獎勵r可以設(shè)計為與任務(wù)目標和無人機的飛行表現(xiàn)相關(guān)的函數(shù)；

38、將轉(zhuǎn)移元組(s_t,a_t,r_t,s_(t+1))存儲在經(jīng)驗回放記憶中；該記憶用于存儲過去的轉(zhuǎn)移元組，有助于打破數(shù)據(jù)間的關(guān)聯(lián)，使得訓練更加穩(wěn)定；

39、從經(jīng)驗回放記憶中隨機抽取一批樣本，并使用這些樣本來更新神經(jīng)網(wǎng)絡(luò)的參數(shù)θ；更新過程是通過優(yōu)化目標函數(shù)(即預測的q值和目標q值間的均方誤差最小)來進行的；目標q值是通過目標網(wǎng)絡(luò)得到的；

40、每隔一定的步驟，用當前網(wǎng)絡(luò)的參數(shù)θ更新目標網(wǎng)絡(luò)的參數(shù)θ'；

41、若成功完成任務(wù)或達到最大步數(shù)限制，結(jié)束當前回合，然后回到步驟2開始新回合；

42、在許多回合的學習后，無人機的飛行策略將不斷改善，無人機能根據(jù)環(huán)境狀態(tài)，更智能地做出行動決策；

43、綜述，無人機通過學習過去一系列狀態(tài)、動作和獎勵的組合及其產(chǎn)生的結(jié)果，調(diào)整自身的行動策略，即神經(jīng)網(wǎng)絡(luò)的參數(shù)θ，以達到在未來的環(huán)境中能實現(xiàn)更好的表現(xiàn)，這就是深度強化學習在無人機決策系統(tǒng)中的應(yīng)用；

44、2.目標跟蹤精度模塊優(yōu)化：

45、為了提高無人機的偵查精度，我們在無人機上添加了基于檢波峰值跟隨的目標跟蹤系統(tǒng)；該系統(tǒng)使用先進的卡爾曼濾波器對目標進行追蹤，通過自適應(yīng)地改變無人機的飛行參數(shù)(如速度和方向)招迎目標；除此之外，我們還增加了自適應(yīng)噪聲抑制模塊，減少環(huán)境噪聲對偵查結(jié)果的影響，確保無人機可以穩(wěn)定、準確地跟蹤目標；

46、檢波峰值跟隨系統(tǒng)，它的工作原理是檢測信號中的峰值(即信號強度最大的點)，并將其當作檢測目標，然后進行追蹤這個峰值點；這個過程通常涉及到濾波算法和最優(yōu)化方法；本系統(tǒng)采用卡爾曼濾波器在該中的應(yīng)用，介紹其工作流程：

47、一般來說，卡爾曼濾波器的標準形式可以表示為：

48、1)預測步驟:

49、x^-(k)＝ax(k-1)+bu(k-1)

50、p^-(k)＝ap(k-1)a^t+q

51、其中:

52、x是系統(tǒng)狀態(tài)矢量，例如在無人機追蹤中，可能包括位置，速度等信息；

53、a是傳遞矩陣，描述了系統(tǒng)如何從上一狀態(tài)轉(zhuǎn)移到下一狀態(tài)；

54、b是控制矩陣，描述了控制輸入如何影響系統(tǒng)狀態(tài)；

55、u是控制輸入；

56、p是估計誤差協(xié)方差矩陣；

57、q是過程噪聲協(xié)方差矩陣；

58、'^-'表示預測的下一個狀態(tài)；

59、2)更新步驟:

60、k(k)＝p^-(k)h^t(hp^-(k)h^t+r)^-1

61、x(k)＝x^-(k)+k(k)(z(k)-hx^-(k))

62、p(k)＝(i-k(k)h)p^-(k)

63、其中:

64、k是卡爾曼增益，用于衡量預測和測量結(jié)果對最終狀態(tài)估計的貢獻；

65、z是實際測量值；

66、h是觀測矩陣，描述了如何從系統(tǒng)狀態(tài)矢量得到預測的觀測值；

67、r是測量噪聲協(xié)方差矩陣；

68、i是單位陣；

69、對于無人機來說，如果想要跟蹤目標的移動，就需要實時地改變自己的飛行參數(shù)如速度、方向等；這通常實現(xiàn)方法是引入pid控制器，pid控制器會對目標和當前的差距進行處理：

70、pid控制器的基本公式如下：

71、u(t)＝kpe(t)+ki∫e(t)dt+kd*de(t)/dt

72、其中：

73、u(t)是控制量，即無人機需要執(zhí)行的動作；

74、e(t)是誤差，通常由目標狀態(tài)和當前狀態(tài)之差獲得；

75、kp,ki,kd是比例、積分、微分系數(shù)，可以通過實驗來調(diào)整；

76、∫e(t)dt是錯誤的積分，可以理解為過去的累計錯誤；

77、de(t)/dt是錯誤的微分，可以理解為預期的未來錯誤；

78、此外，為了使用pid控制器，我們需要對飛行環(huán)境和目標的各種狀態(tài)設(shè)定限度(例如最大和最小速度，加速度，角速度等)；一個合理的限制能有效防止無人機在飛行中出現(xiàn)過度的行動；

79、這個模塊通過在復雜環(huán)境中精確地找到并跟蹤目標，可以明顯提升無人機在執(zhí)行偵查任務(wù)時的表現(xiàn)；

80、在實際應(yīng)用中，這些參數(shù)需要根據(jù)實際系統(tǒng)的特性和環(huán)境條件進行設(shè)定；在無人機偵查系統(tǒng)中，例如，系統(tǒng)狀態(tài)矢量x可能會包括無人機的位置，速度，加速度等；控制輸入u可能包括垂直和水平方向上的加速度指令等；觀測值z則可能是無人機的實際位置；

81、3.大數(shù)據(jù)處理和解析模塊優(yōu)化：

82、我們對傳統(tǒng)的數(shù)據(jù)處理架構(gòu)進行了全面升級，采用了大數(shù)據(jù)的處理方式，包括分布式存儲和并行計算，以提高系統(tǒng)的數(shù)據(jù)處理能力；同時，我們還引入了深度學習算法：

83、一、數(shù)據(jù)預處理

84、在進入模型訓練階段之前，首先要進行的工作就是數(shù)據(jù)預處理；圖像數(shù)據(jù)通常會包含大量的冗余和無關(guān)信息，我們需要通過一系列的預處理方法，對圖像進行整潔和優(yōu)化；預處理步驟通常包括：

85、尺寸調(diào)整：由于原始圖像的尺寸可能會相差較大，我們需要將所有圖像調(diào)整到同一尺寸，以方便模型進行處理；

86、顏色空間轉(zhuǎn)換：雖然rgb顏色空間是最常見的，但并不是每個模型都需要使用rgb顏色空間，有些模型可能在hsv或者灰度顏色空間上表現(xiàn)更好；

87、數(shù)據(jù)歸一化：我們將圖像數(shù)據(jù)的數(shù)值范圍進行縮放，通常是縮放到0-1之間或者-1至1之間；這樣做可以防止模型在訓練過程中出現(xiàn)數(shù)值不穩(wěn)定的情況；

88、數(shù)據(jù)增強：我們利用平移、旋轉(zhuǎn)、翻轉(zhuǎn)、縮放等變換，產(chǎn)生更多的訓練樣本，來增強模型的泛化能力；

89、這些預處理操作大大減小了原始數(shù)據(jù)的冗余，保證模型能在最優(yōu)的條件下進行高效的訓練；

90、二、構(gòu)建dcnn模型

91、構(gòu)建dcnn模型的任務(wù)是確定模型的層數(shù)、每層的類型和參數(shù)；一個典型的dcnn模型由多個卷積層、激活層、池化層以及全連接層構(gòu)成；

92、卷積層：卷積層通過卷積核在輸入圖像上進行滑動窗口卷積運算，可以在保持圖像大小不變的情況下，提取圖像的局部空間特征；我們可以通過控制卷積核的數(shù)量和大小，調(diào)整模型對特征的學習能力；

93、激活層：激活層對卷積層的輸出進行非線性映射，引入模型的非線性變換能力，這是模型學習復雜模式的關(guān)鍵；relu激活函數(shù)由于其計算簡單且能有效緩解梯度消失問題，因此在深度學習模型中廣為應(yīng)用；

94、池化層：池化層對輸入圖像進行下采樣，降低數(shù)據(jù)的空間維度，減少模型參數(shù)和計算量，防止過擬合，提高計算效率；常見的池化方式有最大池化、平均池化等；

95、全連接層：全連接層將上一層的二維特征圖轉(zhuǎn)化為一維的形式，實現(xiàn)特征的全局連接；全連接層的實質(zhì)為線性變換，對應(yīng)于神經(jīng)網(wǎng)絡(luò)模型中的最后幾層，目的是將學習到的“分布式特征表示”映射到樣本的標簽空間；

96、三、訓練和優(yōu)化dcnn模型

97、當模型構(gòu)建完成后，下一步就是開始模型訓練了；訓練過程就是通過反向傳播和梯度下降等優(yōu)化算法，不斷調(diào)整模型中的權(quán)重參數(shù)，使得模型在訓練數(shù)據(jù)上的誤差達到最?。怀Ｒ姷膬?yōu)化器包括sgd、adam、adagrad等；

98、訓練過程中，我們會將訓練數(shù)據(jù)批次(batch)地輸入模型，對每批數(shù)據(jù)，模型都會進行一次前向傳播和一次反向傳播；前向傳播是指，模型根據(jù)當前的參數(shù)和輸入數(shù)據(jù)，計算出每一層的輸出，并最終得到預測結(jié)果；反向傳播則是指，模型根據(jù)前向傳播的預測結(jié)果和真實標簽，計算出預測誤差，然后通過鏈式法則，將這個誤差反向傳回每一層，更新各層的參數(shù)；

99、在訓練過程中，一種常見的技術(shù)是使用驗證集進行模型驗證；我們會將原始的訓練數(shù)據(jù)分為兩部分，一部分作為訓練集，一部分作為驗證集；在每個訓練周期(epoch)結(jié)束后，我們會用模型在驗證集上的表現(xiàn)來調(diào)整模型的超參數(shù)，在這里，我們將詳述一下如何在實際應(yīng)用中利用dcnn進行圖像識別的完整過程；

100、1.數(shù)據(jù)預處理

101、在開始訓練深度神經(jīng)網(wǎng)絡(luò)之前，我們通常需要對原始圖像數(shù)據(jù)進行一系列預處理步驟，目的是過濾無關(guān)信息，增強對目標信息的表達，提升模型訓練效率；

102、首先，原始圖像往往尺寸各異，為了保證在訓練網(wǎng)絡(luò)模型時輸入的一致性，我們需要將所有圖片調(diào)整到統(tǒng)一的尺寸；然后，我們可能需要對圖像進行顏色空間轉(zhuǎn)換，例如將rgb色彩空間轉(zhuǎn)換為更符合人眼感知的lab色彩空間，或者將彩色圖像轉(zhuǎn)換為灰度圖像等，以減少計算復雜度；接著，我們通常會對圖像進行歸一化操作，這可以把圖像的像素值限定在一定范圍內(nèi)，減少模型訓練時的數(shù)值不穩(wěn)定性；最后，我們可能會進行一些數(shù)據(jù)增強操作，如旋轉(zhuǎn)、翻轉(zhuǎn)、縮放等，以豐富數(shù)據(jù)多樣性，提升模型的泛化能力；

103、2.構(gòu)建dcnn模型

104、一個典型的dcnn模型由多層卷積層、激活層、池化層以及全連接層交替排列而成；dcnn的基本計算單元是神經(jīng)元，每個神經(jīng)元接收多個輸入，然后將這些輸入加權(quán)求和再通過一個激活函數(shù)，得到輸出；

105、卷積層：卷積層是dcnn的核心，其主要作用是能有效地對局部圖像特征進行提取；通過卷積操作，我們能用少量參數(shù)(卷積核)對整張圖像進行分析，且無論目標在圖像中的何處，只要相同的特征出現(xiàn)，都能被同一個卷積核捕捉到；

106、激活層：激活層的主要功能是引入非線性因素，因為只有加入了非線性，深度神經(jīng)網(wǎng)絡(luò)才可能構(gòu)建復雜模型；如果沒有非線性的引入，無論神經(jīng)網(wǎng)絡(luò)有多少層，其最終效果都與單層神經(jīng)網(wǎng)絡(luò)無差別；目前最常用的激活函數(shù)是relu函數(shù)；

107、池化層:池化層也稱為下采樣層或者子采樣層，其主要作用是通過減少數(shù)據(jù)的維度從而縮減模型的參數(shù)數(shù)量，防止過擬合的發(fā)生；同時，它還能保留重要特征，使得模型對小的位移、旋轉(zhuǎn)和縮放具有穩(wěn)定性；

108、全連接層：在卷積神經(jīng)網(wǎng)絡(luò)的最后通常會加入全連接層，用于將學到的分布式特征表示映射到樣本標簽上，進行大規(guī)模的特征整合和信息提取，實現(xiàn)對樣本的最終分類；

109、3.訓練dcnn模型

110、訓練過程通常使用梯度下降(gradient?descent)或者隨機梯度下降(stochasticgradient?descent)的方式，通過優(yōu)化網(wǎng)絡(luò)強度(權(quán)重和偏置)來最小化網(wǎng)絡(luò)的損失函數(shù)，以此達到對網(wǎng)絡(luò)訓練的目的；損失函數(shù)的種類有很多，常見的有均方誤差損失函數(shù)(meansquared?error，簡稱mse)和交叉熵損失函數(shù)(cross-entropy)；實際上，訓練的過程實質(zhì)上就是一個不斷優(yōu)化的過程，不斷調(diào)整權(quán)重參數(shù)，使得損失函數(shù)的值最??；

111、4.應(yīng)用dcnn模型進行圖像識別

112、當dcnn模型訓練完成后，我們就可以將其用于實際的圖像識別任務(wù)中；通過將待識別的圖像輸入模型，進行前向傳播計算后，模型會根據(jù)訓練得到的參數(shù)，給出對輸入圖像的識別結(jié)果；一般來說，在輸出層會運用softmax函數(shù)，使得輸出值處于0-1之間，相當于分類概率，取概率最大的分類結(jié)果作為最終結(jié)果；

113、以上就是深度卷積神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用過程，不僅是圖像識別，dcnn也被廣泛用于語音識別、自然語言處理等諸多領(lǐng)域，其強大的特征學習和表示能力，為深度學習的發(fā)展提供了強有力的工具；

114、本發(fā)明的有益效果包括：

115、我們構(gòu)建了一個新型的無人機偵干聯(lián)動系統(tǒng)。通過有效地整合硬件設(shè)備、算法模型和控制策略，該系統(tǒng)不僅能夠在復雜的環(huán)境中進行高效、準確的偵查，還具有強大的自主操作能力，使得無人機能夠在追蹤目標時準確掌握環(huán)境信息，提供更精準的情報，從而進一步提升無人機在復雜環(huán)境中的偵查效果。