无人机目标跟踪技术综述：主动与被动跟踪范式的系统分析与未来展望

本文针对无人机(UAV)目标跟踪技术展开系统性研究，创新性地提出基于操作范畴和技术目标的主动-被动双轨分类体系。研究人员通过剖析在线被动跟踪、状态融合估计和策略生成等核心模块，构建了感知-控制闭环的主动跟踪框架，同时明确了视觉感知层的被动跟踪预处理功能。研究揭示了多源数据时空对齐、群智能协同决策等关键技术挑战，为构建空天地一体化物联网(IoT)生态系统提供了理论支撑。

　　

在人工智能(AI)和5G技术推动下，无人机正朝着微型化、集群化和自主化方向飞速发展。作为空天地一体化物联网(IoT)的关键使能技术，目标跟踪能力直接决定了无人机在航拍、环境监测、军事侦察等场景的应用效能。然而现有技术面临三大核心矛盾：动态环境中感知数据的时空不一致性、复杂场景下跟踪策略的实时生成难题，以及有限机载算力与深度学习模型复杂度之间的冲突。Pengnian Wu等学者在《ARTIFICIAL INTELLIGENCE REVIEW》发表的综述论文，首次建立了基于操作范畴的双轨分类体系，为破解这些难题提供了系统性解决方案。

研究团队采用模块化分析方法，重点突破三大关键技术：1)基于扩展卡尔曼滤波(EKF)和容积卡尔曼滤波(CKF)的多源状态融合估计；2)结合部分可观测马尔可夫决策过程(POMDP)和模型预测控制(MPC)的主动策略生成；3)融合外观特征与运动补偿的跨视角目标关联算法。通过分析2017-2025年间152篇核心文献，构建了覆盖单机追踪到集群协作的完整技术图谱。

【主动跟踪技术架构】

研究将主动跟踪明确定义为包含感知-决策-控制的闭环系统。如图4所示，该系统通过在线被动跟踪模块提取图像域目标属性，经状态融合模块推算物理空间坐标，最终生成空间追踪策略。特别值得注意的是，团队发现分布式无人机群在跨模态融合时存在特征漂移现象，提出采用自适应加权矩阵协调视觉、雷达等多源数据。

【被动跟踪范式革新】

如图2所示，被动跟踪被重新界定为纯视觉分析模块，专注于从非信号发射型相机获取图像域特征。针对无人机视角特有的小目标(<32×32像素)难题，研究归纳出双源运动补偿、动态遮挡处理等创新方法。通过分析VisDrone等9个典型数据集，验证了层次化交互特征变换(Hierarchical interaction Feature Transformer, HiFT)在实时性方面的优势。

【集群作战应用】

如图14所示，研究揭示了统一目标识别对集群作战的五大提升：1)通过广义最大团生成算法实现全景覆盖；2)基于多中心节点通信拓扑(图13)优化火力分配；3)结合投影特征与分布特征的跨层协同机制。在打击移动装甲目标的实测中，N-to-M型追踪策略使任务成功率提升122%。

这项研究的重要意义在于：首次建立了主动-被动跟踪的协同理论框架，提出的分类体系被后续学者广泛引用。针对集群追踪提出的时空约束模型(图12)，为后续无人机群智能研究提供了标准范式。论文指出的端到端学习黑箱问题，直接推动了可解释AI在控制领域的应用发展。正如作者强调的，未来研究应聚焦于神经形态计算芯片的嵌入式部署，以及多模态统一跟踪模型的构建，这些方向将决定下一代智能无人机系统的演进路径。