ROBOMASTER-2026-华北理工大学HORIZON战队-反无人机激光追踪方案

前言

经过商讨我们决定将现阶段 [反无人机激光追踪方案] 完整开源，包含所有源代码、数据集、原始权重以及配套资源。希望可以提供一个可参考的思路，供感兴趣的朋友探讨。

方案开源地址： https://github.com/BreCaspian/LaserTracking-2026

关于整个方案

个人认为整个追踪方案其实还是比较简单，相较于传统的追踪云台可能在RM这个比赛中我们需要面对的问题就是 20m 左右这个距离的处理，如果是 2m 那都是十分简单的问题。

现在开源的这份方案大概是在今年一月份上旬便完成了整个方案以及初步的测试和一些Demo，后续便由学妹继续维护优化整套方案。通过后续在完整形态考核中实际远距离表现来看效果还OK，但也远没有达到牛逼的程度，当然也可能是本人功力不够。

方案概述

在这里只做简单概述，方案中各部分README写的较为清楚，如有需要可以查看。

效果演示视频：

整体方案思路比较简单粗暴：先用工业相机采图，让检测模块在图像里找到目标位置，再把目标相对光轴中心的像素偏差转成云台需要修正的角度指令，最后通过串口发给下位机控制云台运动，这样就形成了一个 [相机看目标—>算法算误差—>云台执行修正] 如此循环的实时闭环控制。

个人认为整个方案中最为复杂的部分是控制部分，也是我当时花费精力最多的部分，虽然看起来就是简单拿个位置然后转一下（一开始也确实是这样🤪）

（原谅我不太会用论坛的编辑器，有点难用，更原谅我不太会写LaTex代码，本来写在草稿纸上的，但是我的字实在是一言难尽，故只能拍照让AI生成LaTex代码，想上传图片也不知道为什么每次都上传失败）

先定义变量，设云台状态为

$x_k = \begin{bmatrix} \theta_{p,k} \\ \theta_{y,k} \\ \omega_{p,k} \\ \omega_{y,k} \end{bmatrix}$

其中 $\theta_p,\theta_y$ 分别是 pitch / yaw 角， $\omega_p,\omega_y$ 是对应角速度

视觉测量为

$z_k=(u_k,v_k,\text{valid}k,t_k)$

其中 $(u_k,v_k)$ 是目标在图像中的像素坐标， $\text{valid}k\in{0,1}$ 表示当前测量是否有效

相机参数为 $\mathcal C=(f_x,f_y)$ ，光轴参考点为 $b=(u_L,v_L)$

控制输出为

$u_k = \begin{bmatrix} \theta^{cmd}_{p,k} \\ \theta^{cmd}_{y,k} \\ \omega^{cmd}_{p,k} \\ \omega^{cmd}_{y,k} \end{bmatrix}$

也就是发给下游执行的目标角度与目标角速度。

那么这个问题的核心误差就是图像误差

$e_k = \begin{bmatrix} e_{u,k} \\ e_{v,k} \end{bmatrix} = \begin{bmatrix} u_k - u_L \\ v_k - v_L \end{bmatrix}$

系统基本控制目标就是在测量有效时，使 $e_k\to 0$

更准确一点来说，是让目标投影 $(u_k,v_k)$ 收敛到光轴参考点 $(u_L,v_L)$ ，而不是单纯收敛到图像中心

由于控制对象是云台角度，而误差定义在图像平面，所以我们需要一个从像素误差到视线角误差的映射关系来连接两者

$\Delta \theta_{y,k}=s_y\arctan!\left(\frac{e_{u,k}}{f_x}\right),\qquad \Delta \theta_{p,k}=s_p\arctan!\left(\frac{e_{v,k}}{f_y}\right)$

如果喜欢角度制表示的话，那么再乘上 $180/\pi$ 就可以了

到这里为止就把图像偏差转成云台所需要的角度了（这样看下来，是不是还是挺简单的，哈哈）

在上面的基础上，整个控制本质上是 P 型绝对角度控制（P 控制是 PID 里最简单的一种，只保留了比例项）即：

$\theta^{0,cmd}_{y,k} = \theta_{y,k} + K_p \Delta\theta_{y,k}, \qquad \theta^{0,cmd}_{p,k} = \theta_{p,k} + K_p \Delta\theta_{p,k}$

这并不像传统 PID 的完整形式，而是 [当前云台角度 + 与图像误差成比例的修正量] 。

所以从数学上讲，这个控制器的主干并不是传统速度闭环，而只是一个较为高级的角度参考生成器

为了抑制快速运动时的过冲，需要在控制器上叠加一个阻尼项，来减缓云台瞬间运动

对于阻尼项，阻尼来源取云台反馈角速度，则：

$d_{y,k}=K_d,\omega_{y,k},\qquad d_{p,k}=K_d,\omega_{p,k}$

若阻尼来源取图像测量速度，那么先计算

$\dot u_k=\frac{u_k-u_{k-1}}{\Delta t^m_k},\qquad \dot v_k=\frac{v_k-v_{k-1}}{\Delta t^m_k}$

然后再映射成图像诱导角速度

$\hat\omega_{y,k}=s_y\frac{\dot u_k}{f_x},\qquad \hat\omega_{p,k}=s_p\frac{\dot v_k}{f_y}$

这样我们就可以得到阻尼修正后的角度命令为

$\theta^{1,cmd}_{y,k} = \theta^{0,cmd}_{y,k} - K_d\omega^{fb}_{y,k}, \qquad \theta^{1,cmd}_{p,k} = \theta^{0,cmd}_{p,k} - K_d\omega^{fb}_{p,k}$

其中 $\omega^{fb}$ 可以取真实云台角速度，也可以取图像差分得到的估计角速度。

光有阻尼这还不够，还需要一个速度前馈项，这个前馈不直接改角度命令，而是作为附加速度指令输出给电控，电控再操作云台

$\omega^{ff,raw}_{y,k} = s_y\frac{\dot u_k}{f_x}, \qquad \omega^{ff,raw}_{p,k} = s_p\frac{\dot v_k}{f_y}$

然后再经过一阶滤波：

$\omega^{ff}_{k} = \alpha \omega^{ff,raw}_{k} + (1 - \alpha) \omega^{ff}_{k-1}$

再经过幅值限制：

$\omega^{cmd}_{i,k} = \mathrm{sat}\left(\omega^{ff}_{i,k}, -\omega_{max}^{ff}, \omega_{max}^{ff}\right), \qquad i \in \{p, y\}$

这样以来我们就可以拿到电控所需的位置参考和速度前馈。

当然，上面这些只能说有了基本功能，想要整个云台稳稳的还需要一些额外操作。

实际实验以后在此基础上还加上了一个低通平滑，

若上一时刻命令为 $\theta^{cmd}_{i,k-1}$ ，则：

$\tilde{\theta}^{cmd}_{i,k} = \lambda \theta^{1,cmd}_{i,k} + (1 - \lambda) \theta^{cmd}_{i,k-1}, \qquad i \in \{p, y\}$

最后还有一个很关键的角速度限幅。

设控制器本次更新周期为 $\Delta t^c_k$ ，最大允许角速度为 $\omega_{max}$ ，则每周期最大角度变化量是

$\Delta\theta_{max,k}=\omega_{max}\Delta t^c_k$

所以最终命令不是直接取 $\tilde\theta^{cmd}$ ，而是限制为

$\theta^{cmd}_{i,k} = \mathrm{sat}\left( \tilde{\theta}^{cmd}_{i,k}, \theta_{i,k} - \Delta\theta_{max,k}, \theta_{i,k} + \Delta\theta_{max,k} \right), \qquad i \in \{p, y\}$

这一步是必要的，可以保证控制命令可执行性，也把视觉噪声、冲击和误差突跳这些限制住了，避免锯齿状振荡摆动（由图可知）。

另外，在目标丢失后理应进入目标搜索状态，这里就涉及一个搜索效率的问题，在方案中我给出了两个搜索策略：

1、圆形搜索策略

这个没有过多要说的，就是以当前中心为圆心，按固定半径、固定频率做匀速绕圈扫描，比较简单基础，核心如下

$\theta_p^{cmd} = \theta_{p,c} + R \sin(\psi) \\[8pt]$

$\theta_y^{cmd} = \theta_{y,c} + R \cos(\psi)$

2、螺旋搜索策略

这个就稍微复杂点，采用的是阿基米德螺旋思想，也就是随着角度参数 $\theta$ 增大，搜索半径线性增大。

$r(\theta) = a \theta, \qquad a = \frac{d}{2\pi}$

与圆形搜索策略区别是先在中心附近细搜，再逐步把搜索范围扩大，而不是一上来就在一个大圆上扫（圆形搜索有缺陷，如不准确计算则会出现搜索死区）。

3、螺旋不是简单每次加一点相位

并不是简单做 $\theta \leftarrow \theta + c$

而是应该根据轨迹弧长来决定每步推进量，计算螺旋轨迹对 $\theta$ 的导数长度，这应该不难理解，

$\frac{ds}{d\theta} = \sqrt{\left(\frac{dx}{d\theta}\right)^2 + \left(\frac{dy}{d\theta}\right)^2}$

然后根据设定的扫描速度，令：

$\Delta\theta = \frac{v \cdot \Delta t}{ds/d\theta}$

这个样的处理是为了维持轨迹上的实际角速度近似恒定，螺旋在不同半径处看起来扫描速度更均匀，不会内圈很慢、外圈很快，或者反过来。

返回策略则为 [往外扩展—再收回中心—再扩展] 的往复式螺旋搜索。这样可以避免长时间停留在外围，导致中心区域被忽略，避免出现圆形搜索策略带来的死区问题。

（凑合着看吧，是在不行截图喂给AI也行，本来很多地方需要展开和插图的，但是这图片硬是传不上去。大概意思就上面这样😬）

电控部分：视觉识别结果（云台目标角 + 角速度前馈）为输入，然后电控把视觉量转成云台目标值通过位置环和速度环串级 PID 实现云台跟踪闭环控制。

如果分开做的话建议与电控提前进行协议约定，这样方便两部分之间数据流转和处理。

后续实验分析后认为有下面几个问题值得注意：

1、关于相机：我们使用的是Hikvision MV-CS200-10UMUC 这款工业相机搭配MVL-KF3528M-12MP (35mm, 12MP)镜头，实测认为相机的高分辨率在官方规定的远距离下还是有一定优势（相较于MV-CS016-10UMUC），但是这款高分辨率相机最高帧率只能达到19帧左右，反映到整个系统上具体表现为 较为明显的跟踪延迟，分析认为可能是相机低帧率造成的整体数据刷新速度不够，检测是跟的上的，但是云台激光追踪有时会跟不上。当然这个问题可能还有待商榷，也可能和当前电控方案有关，我们暂时没有更多相机来充分测试这个问题，感兴趣的小伙伴可以分别试试不同帧率相机来进一步分析这个问题。

2、关于云台：我们使用的 GM6020 作为云台电机，在方案设计之处有计算过关于定位精度的问题，按 0.05° 级角度精度推算，20 m 处对应约 17.5 mm 横向误差，个人认为这个误差大小比较尴尬，特别是对于新出的这个激光接收装置装在飞机上来说，实际效果估计会打折扣，只能说能用；推荐尽量使用更高分辨率的编码器。

3、关于检测：方案之初由于官方规则一直处于混沌状态，所以我们所假定的目标是一个乒乓球来作为检测目标，进行单阶段检测任务，一开先上的当然是传统检测，效果不佳，只能停留在简单环境中的检测，后续更新为简单的深度学习方法，追踪效果随之有明显提升。

4、关于整个方案：在方案设计之初整个方案是完全模块化解耦合的，方便对不同模块分别调试；但是后期工作量增加以后整个方案引入了大量可调参数，参数调试过程可谓之痛苦，好在后续基本参数成型，真正不断调整的参数也就比较固定了。

关于数据集与原始权重

华北理工大学Horizon战队视觉组通过各战队开源数据以及爬虫爬取等方式收集了大量无人机原始图像数据，在处理后对部分数据进行了手工标注，总计超过 30K 数据用于无人机检测模型训练。

权重下载地址： https://github.com/BreCaspian/LaserTracking-2026/releases/tag/2026.04.05

模型	说明	P	R	mAP50	mAP50-95
RM-Plane-yolo26n-p2-2026-04-03.pt	实际测试效果最优，推荐	0.947	0.961	0.983	0.756
RM-Plane-yolo11n-2026-04-03.pt	轻量高效，推理快，综合表现稳定	0.910	0.946	0.967	0.648

RM-Plane-yolov8n-ghost-p2-2026-04-02.pt	体积最小的轻量化版本	0.898	0.931	0.923	0.610
RM-Plane-yolov8s-ghost-p2-2026-04-02.pt	可作为 YOLOv8 系列结构对比参考	0.926	0.926	0.956	0.641

Ghost-p2 ：采用 Ghost 轻量化模块，并增加 P2 小目标检测层的模型结构
Ghost 表示网络中使用 GhostConv、C3Ghost 等轻量化模块
p2 表示检测头包含额外的 P2 特征层，形成四尺度检测输出，更有利于小目标检测
RM-Plane-yolo11n-2026-04-03.pt，使用原始 YOLO11n 网络未做任何修改
RM-Plane-yolo26n-p2-2026-04-03.pt，仅增加 p2 其余未做修改

无人机检测效果：

数据集下载地址：https://pan.baidu.com/s/1S1_69TW8DKxkilbdVH6cXg?pwd=rmer

数据总量约 50GB ，另外还有部分未标注数据，如果需要请与我们联系。

Q：为什么给出的是飞机检测模型而不是激光接收装置检测模型？

A：我们目前使用的是 二阶段级联检测方案，[无人机检测+激光接收装置检测]（注意：方案中给出的是一阶段检测，二阶段检测是我们正在探索的工作）；无人机检测我们使用的是深度学习方法，激光接收装置检测目前仍然是传统检测方案，因为其特征较为固定明显；后续按情况而定，也理应更新为深度学习方法。

我们目前的检测方法必然不是最优解，缺陷和优势都十分明显，但是就目前来说也不失为一种行之有效的方法。

一阶段不一定差，二阶段也不一定好；仍然需要大量实验来切实验证，选择最为合适的。

关于配套资源

我们同步开源提供如下配套资源：

1、为YOLO11所定制的 INT8 PTQ 高性能 TensorRT 推理引擎，实测最高稳定约 301.9 FPS（INT8 Dynamic batch=16，RTX3060），使用过程较为繁琐，需要花费一定时间熟悉整个推理引擎。

关于其性能详见性能分析报告： TRTInferX Performance Report

开源地址： https://github.com/BreCaspian/TRTInferX

2、推理引擎所配套 HikVision 工业相机驱动： https://github.com/BreCaspian/Hikrobot-Industrial-Camera-Driver

该驱动非必须配套使用，除非对性能有极致追求。

3、反无人机激光追踪方案中已经同步提供同轴校准工具以及激光-相机视差距离评估工具。

最后

我们之所以决定提前开源整个方案并不是因为我们的方案有多么优秀，更不代表我们的方案就是正确的方向，这都是我们所作的探索性工作，只是想为部分感兴趣或者有需要的朋友们，提供一个可供参考的思路。

以此来抛砖引玉，让更多更加优秀的方案可以被我们所知晓，促进参赛队之间的深度交流与经验共享，推动彼此共同进步，进而整体提升各参赛队的技术水平与竞技能力。

感谢所有优秀开源方案提供的宝贵资源

感谢所有参与标注工作的Horizon战队全体视觉组成员，你们是最棒的！

通讯

维护者 Xinyao Gu | QQ：1974066679 | email：gxy11132022@163.com

原作者 Yuzhuo Yao | QQ：1927166841 | email：yaoyuzhuo6@gmail.com （退休～）

注意

本次开源项目仅用于技术交流与学习参考，未经许可，任何组织或个人不得将其用于商业用途

本项目相关内容的著作权及最终解释权归华北理工大学 HORIZON 战队及原作者与维护者所有

若开源内容存在表述或技术上的疏漏与错误，欢迎联系作者交流讨论，以便进一步修正和完善

Copyright © 2026 ROBOMASTER · 华北理工大学 HORIZON 战队