基于視覺的空中加油定位技術研究

趙敏琨，劉小雄，徐新龍，楊 楠，王映龍

（西北工業大學 自動化學院，西安 710072）

0 引言

隨著無人機飛行能力和完成任務效率的提高，人們越來越迫切地需要將無人機進行有效而穩定的遠程部署與機動。不論是傳統的有人戰斗機還是新興的無人機，二者都存在作戰半徑有限的問題。空中加油作為增加無人機空中續航能力的一種有效方式，已經在世界上諸多國家實踐中得到了廣泛使用；而以該過程高自主性為目標的自動空中加油（AAR，autonomous aerial refueling）技術，正是各國研究的熱點。

空中加油需要兩架飛機之間保持一定的距離和速度，其中一架作為加油機，另一架作為受油機。該操作可以讓飛機在途中補充燃料，從而大幅提高其遠程作戰、長時間續航的能力。然而，空中加油過程包括了多種技術的綜合應用。除了飛行器設計中加油和受油裝置的硬件研究之外，還有兩機靠近時的導航、制導與控制研究。其中，加油接口首先提供了加油的物質基礎，導航則包括了位置、速度、姿態等信息的獲取和處理，制導指令計算出合適的加油路線和軌跡，控制最后實現精確的對接操作。在這些技術之中，導航是一個非常重要的環節，因為它相當于對環境的感知，只有先得到了飛行器的相對位姿數據，才能在此基礎上進行后續的制導和控制。

對于AAR 問題來說，必須確保兩機之間的距離和相對姿態能夠滿足安全標準，這就提出了對導航信息精確獲取的要求。通常，導航過程需要通過多種傳感器和算法來確定飛行器的位置和姿態，包括導航衛星、慣性測量單元、激光雷達、光學傳感器以及檢測跟蹤、位姿估計、信息融合等。其中，采用光學傳感器獲取圖像數據，通過視覺處理算法最終得到導航信息的過程被稱為視覺導航、或基于視覺的定位；一般來說，完整的視覺導航包括檢測、跟蹤、位姿估計三大步驟。

相較于傳統方式，視覺導航有以下幾個優點：

1）低改動：不需要系統性調整飛行器的結構設計，同時得益于圖像傳感器較小的體積，可以采用加裝的方式將其添加到飛行器上。

2）低成本：使用普通的光學傳感器和計算機視覺算法就可以達到較高的精度要求。

3）無源性：傳統的導航方式依賴于參考信號，如地面站或衛星信號等，但在某些場景下，這些信號可能不穩定或無法獲取。而視覺導航不需要參考信號，能夠在復雜環境下實現自主導航。

隨著近年來光學傳感器和計算機視覺算法的發展，視覺導航技術逐漸成熟。針對AAR 問題，美國團隊首先引入了視覺導航技術，其代表有2005年提出的VisNav系統［1］、2008年的VisBRR 系統［2］，以及2006年起Campa團隊［3］所做的工作。近十多年來，國內外研究者就該問題提出了多種解決方案，不論是軟式錐套定位［4-7］，還是硬式接口定位［8-9］，以及加油機定位［10-11］和受油機定位［12-14］。

綜上，本文將首先介紹空中加油技術概念，然后依照不同研究主體的順序，對AAR 過程中基于視覺定位的研究發展進行梳理總結，最后在此基礎上展望未來的研究方向。

1 空中加油技術概念

1.1 空中加油的方式

根據加油和受油接口的不同，目前空中加油可以分為兩種主要方式：軟管-錐套式（PDR，probe-and-drogue refueling）和硬桿-接口式（BRR，boom-and-receptacle refueling）［15］，二者分別簡稱為“軟式”和“硬式”。

采用軟式空中加油，需要受油機在機首或機翼前緣安裝1根固定的、或可伸縮的受油（管）插頭；需要加油機在機翼側邊安裝加油吊艙，或者在機身中心線安裝加油平臺；吊艙伸出軟管的長度為15～27m 不等，平臺伸出軟管的典型長度為24m；加油軟管末端安裝有漏斗狀的錐套，其配有機械自鎖機構［16］。兩機接近時，飛行員控制受油機緩慢加速，當受油插頭伸進加油錐套后，機構自動鎖緊完成對接。

采用硬式空中加油，需要受油機機身具備專用的受油接口；需要加油機尾部具備專用的可伸縮剛性硬桿，以及配套的專職加油操作員控制艙；硬桿中部裝有V 形或H 形氣動操作面，可以讓它在一定范圍內移動［16］。兩機接近時，飛行員控制受油機穩定在對接范圍（即受油包絡）內，操作員控制氣動操作面和伸縮機構，當硬桿末端的加油插頭對準并伸進受油接口后，兩機完成對接。

上述兩種空中加油方式各有利弊，硬式流量大、輸油速度快、對空氣湍流不敏感、但通用性差，需要專職的加油機［16-17］；軟式流量小、輸油速度慢、對空氣湍流敏感、不過通用性強，方便以客機或運輸機為基礎加裝輸油系統，進而改裝為加油機。

目前，我國在役的主要加油機——運油20采用的就是機翼兩邊各1個加油吊艙、加上機身中心線1個加油平臺，總共能夠伸出3條軟管的軟式空中加油布局，如圖1所示。

圖1 運油-20加油布局

1.2 空中加油的流程

假設AAR 在中高空進行，加油機定高平飛，那么加油過程可以分為四個階段：交會（Rendezvousing）、對接（Docking）、加油（Refueling）、脫離（Dismissing）。以下首先給出幾個關鍵位置點的定義［18-19］，再說明各階段機動動作［20］，整個流程如圖2所示。

圖2 空中加油飛行剖面

觀察（Observation）位置：一般位于加油機的側后方，與加油機機翼保持足夠的安全距離。

預接觸（Pre-contact）位置：硬式情況位于加油機的后下方，軟式情況位于加油機的側后方，與加油機機尾保持足夠的安全距離。

接觸（contact）位置：硬式情況位于加油機后下方的一定三維范圍內，軟式情況位于加油機側后方的一定三維范圍內。

空中加油控制點（ARCP，air refueling control point）：相對于指定加油機而言，受油機到達觀察／預接觸位置的規劃地理點。

空中加油起始點（ARIP，air refueling initial point）：受油機進入加油航道的地理點，啟動與加油機的無線電聯系并開始進行對接機動。

交會起始點（RVIP，rendezvous initial point）：在ARCP之前的一個規劃地理點。如果兩機沒有達到指定的高度，就開始爬升／下降機動；如果兩機沒有達到共同的航道，就開始航跡機動。

交會階段：接到加油命令后，在不同位置的兩機或其中一方前往指定空域的RVIP，先到者盤旋等候另一方；當雙方都到達后，受油機前往ARIP。

對接階段：與加油機建立目視和無線電聯系后，受油機機動至加油高度以下300 m；當接到進入受油編隊指令后，受油機機動至預接觸位置；當接到受油指令后，受油機機動至加油接觸位置并保持穩定飛行。對軟式而言，到接觸位置的機動包含了受油插頭伸進加油錐套完成對接的過程；對硬式而言，到接觸位置后，還需要加油機上的操作員控制加油硬桿伸到受油接口里完成對接。

加油階段：兩機完成對接后，加油機控制油管閥門打開給受油機輸油，并在加油完畢后自動關閉閥門。該階段兩機保持相對靜止。

脫離階段：加油結束后，受油機緩慢減速并進行偏轉機動，從接觸位置脫離。至此，AAR 流程結束。

2 空中加油視覺定位研究現狀

根據研究主體的不同，AAR 視覺定位可以分為軟式、硬式和機體三類，即相機照射、定位的目標分別為加油錐套、受油接口區域和加／受油機機體；根據相機的結構區別，AAR 視覺定位可以分為單目、雙目、紅外攝像頭三類。當然，為了追求更高的精度和更好的魯棒性，大部分研究不僅僅使用視覺系統得到的導航結果，而是將它與其他傳感器的輸出進行融合，包括慣性、導航衛星、激光雷達等。不同傳感器的使用場景有別，其中視覺傳感器主要用于近距離，對應上節所述的 “對接”、“加油”和 “脫離”三個階段，而其他傳感器主要用于中遠距離，即 “交會”階段。圖3給出了AAR 問題的輸入分類和整體流程。

圖3 自動空中加油問題輸入分類和整體流程

以下，從不同研究主體的角度出發，梳理自動空中加油視覺定位的研究現狀，主要關注其中用到的檢測、跟蹤和位姿估計算法，并在后一小節給出總結。

2.1 加油錐套定位

軟式空中加油是應用最早也是最廣泛的空中加油方式，對于AAR 問題，該方案的關鍵在于，受油機的加油插頭需要對準加油機拖曳軟管末端的加油錐套，以便在接近時成功插入并完成對接，如圖4所示。這一目標就從感知層面提出了對錐套精確定位的要求。然而，由于在接近過程中存在著加、受油飛機的抖動，拖曳軟管的湍流運動，以及天氣變化等因素，使得錐套的位姿很難精確地確定。所以，如何定位錐套，還有如何提高錐套定位的精度，是多年以來學者們研究的重點。

錐套的視覺定位，就是根據輸入的圖像經過算法處理識別出錐套區域，進一步跟蹤其二維坐標，然后由此估計出錐套相對于受油機的三維位置和三軸姿態。根據采用光學標記與否，錐套的視覺檢測定位可以分為合作與非合作兩類。其中，“合作”指的是給錐套安裝LED主動光源，或者安裝具有明顯色差的環狀條帶；“非合作”則指不改變錐套光學外觀。

2005年，Valasek等人提出了VisNav系統［1］，其采用了基于位置敏感二極管（PSD，position sensing diode）的導航引導技術。在AAR 過程中，當加油機錐套內的紅外LED發射的結構光照到受油機頭的PSD 上時，會產生電流信號，根據電流強弱可以得到LED 在PSD 平面的投影坐標。當得到4組及以上LED的數據后，VisNav系統利用高斯最小二乘差分校正（GLSDC，gaussian least squares differential correction）算法得到六自由度導航信息。2011年，解洪文［4］使用濾光雙目相機對錐套邊緣光學標記進行拍攝，通過輪廓跟蹤法檢測出光斑區域的邊界，進一步得到其像素重心，再根據對極幾何原理完成3D點匹配。2013年，王旭峰等人［21］通過色彩空間變換，根據內、外中心距和內、外長軸比判斷“加裝紅色標識的環帶”區域，對檢測到的區域用最小二乘（LS，least squares）橢圓擬合得到端面中心坐標。2015年，支健輝等人［22］首先進行色彩空間轉換-自適應閾值分割的圖像預處理，擬合中心點后，根據目標像素位置變換速度，對MeanShift算法的目標搜索窗寬進行自適應修正；同時定義了基于巴氏系數的閾值函數，處理錐套被遮擋的情況。2016年，秦勇等人［23］先給錐套上添加標記，用顏色通道相減方式進行提取，再通過最大類間方差法進行閾值分割檢測；接著根據上一幀目標擬合最小橢圓尺寸和運動速度確定感興趣區域（ROI，region of interest），在此區域內完成對錐套的跟蹤定位。

2014年，黃斌等人［6］提出一種無須安裝標記的、基于圓形特征的錐套檢測與跟蹤方法。直接由錐套形狀特點確定ROI，用掃描法獲取內部邊緣點；同時，說明了一種多方位最近點區域搜索法，用以提取錐套所在的所有可能圖像區域，并且采用檢測前跟蹤策略進行精匹配。2015 年，楊博文等人［7］采用快速霍夫梯度法（FHGM）進行錐套預檢測，以初始中心設置ROI，再利用中心八向搜索法確定并提取輪廓，最后通過LS橢圓擬合精確定位，該方案有效解決了遠距離情況下錐套和背景混雜的問題。2016年，高宇等人［24］提出了一種基于跟蹤-學習-檢測（TLD，tracking learning detection）的錐套跟蹤算法。先通過金字塔（LK，Lucas-Kanade）光流法跟蹤錐套，再利用半監督學習P-N 算法更新檢測框，最后借助級聯分類器返回含目標的圖像塊并融合跟蹤框。2018年，李旺靈等人［25］針對Meanshift方法中跟蹤窗口不變，導致跟蹤失敗的問題，使用錐套的位置信息作為輸入以更新跟蹤目標窗口；針對大幅快速運動導致跟蹤失敗的問題，采用擴大當前時刻視場、即增大窗口尺寸的改進措施；通過這種自適應核窗口的改進，該方案針對AAR 問題的實時性更好。同年，吳雷等人［26］對實際錐套定位精度進行了建模與定量研究，他們首先通過誤差方程對相機焦距、對接距離等關鍵因素進行定量分析；然后基于自行設計的一套高精度三軸物理運動平臺，進行試驗和誤差測量。

2021年，張怡等人［27］針對傳統目標跟蹤檢測器和跟蹤器獨立，跟蹤效果取決于檢測結果，且檢測跟蹤關聯策略復雜的問題，基于檢測跟蹤一體化的CenterTrack網絡，改進提出了一種AAR 場景下的目標聯合檢測跟蹤算法。分別從模型設計與網絡優化兩方面著手，采用膨脹卷積輕量化網絡、深度可分離卷積減少參數與計算量、以及使用多種優化策略相結合的措施改善該網絡計算量較大、訓練耗時過長的問題。

2.2 受油接口定位

硬式空中加油是另一種常見的空中加油方式，對于AAR 問題，該方案的關鍵在于，加油機的加油硬桿末端需要對準受油機機身上表面的受油接口，以便伸長后成功插入并完成對接，如圖5所示。這一目標就從感知層面提出了對接口精確定位的要求。不過，由于在接觸位置附近可能存在兩機的抖動、硬桿氣動舵面的湍流運動、以及天氣變化等因素，使得接口的位姿較難精確地確定。所以，如何定位接口，以及如何提高接口定位的精度，是多年以來學者們研究的重點。

圖5 硬式受油接口示例

另外，因為硬式加油需要操作員移動硬桿與受油接口對接，而接口目標較小、且在目視情況下較不明顯，所以其周圍通常噴涂有與機身底色對比明顯的輔助識別標識。美軍F-22戰斗機機身上的輔助識別標識是一個 “梯形跑道”狀的黑白相間圖案，而F-16戰斗機機身上的輔助識別標識是一個“梯形‘王’字”狀的白色條紋。

接口的視覺定位，就是根據輸入的圖像經過算法處理識別出接口區域，進一步跟蹤其二維坐標，然后由此估計出接口相對于加油機的三維位置和三軸姿態。同時，由于接口周圍的標識相當于顯著特征，識別的目標部分也包含了該標識。

2008年，Doebbler等人提出了VisBRR 系統［2］，其采用了基于主動可變輪廓（ActiveDeformable Contour，也稱visual snake）的圖像處理技術，使用安裝在加油機機尾指向后下方的單目攝像頭拍攝受油機機頭的受油接口，采用閉合的不相交的輪廓來分離圖像中的目標區域；該區域噴涂有塊狀輔助標識，它的形狀、大小、位置和顏色等參數均為已知的；利用這些先驗信息即可實現對標志的跟蹤，進而估計出相對位姿。2017年，文獻［8］在Meanshift算法基礎上提出了一種基于角匹配的內核帶寬自適應算法。先使用后向跟蹤法修正核窗口中心，再根據Harris算法檢測角點，之后用小尺度方法對兩幀之間的同一點進行匹配和回歸分析，進而確定核窗口寬度的更新量。同年，吳佳駒等人［9］針對Meanshift算法僅僅利用目標區域H 分量顏色統計信息，缺乏空間信息而導致的跟蹤失敗問題，考慮到目標遮擋情況下，外層像素更易受背景影響，而靠近中心的更可靠，故加入了目標中心到當前點的距離作為權重分配因子，提出了改進方案。

2.3 加／受油機機體定位

不論是軟式還是硬式，不論是單機還是多機，空中加油的過程中接近并保持穩定的步驟對飛行員而言相當于考驗了近距離編隊能力，如圖6所示。對于AAR 問題，準確把握接近過程中對方飛機的位姿也是至關重要的，因為這不僅能給飛行員提供機動參考，還能減小高危的空中碰撞風險。所以，如何定位目標機體，以及如何提高目標機體定位的精度，是多年以來學者們研究的熱點。

機體的視覺定位，就是根據輸入圖像經過算法處理識別出加／受油機機體區域，進一步跟蹤其二維坐標，然后由此估計出加／受油機機體的相對三維位置和三軸姿態。然而，由于錐套和硬桿也在圖像中占據了一部分可見域，對加油機體檢測而言，需要消除錐套的影響；對受油機體檢測而言，需要消除硬桿的影響。

2006年起，Campa團隊針對加油機體的定位問題，陸續進行了一系列研究。他們采用的方案是在受油機頭安裝單目攝像頭，指向斜上方拍攝加油機圖像；同時在加油機尾部設置多個點狀的光學標志物（其位置信息為先驗已知的），以便提取特征并進行跟蹤。Campa等人［3］首先分析了基于機器視覺進行AAR 過程中檢測標記和位姿估計算法的性能。提出了一種魯棒的算法，用于正確識別和分類光學標記；然后提供標記位置的排序列表，作為位姿估計算法的輸入。另外，其詳細研究了GLSDC 和正交迭代（LHM，Lu，Hager and Mjolsness）算法的性能，突出了計算量、魯棒性和誤差傳播的差異。Fravolini等人［10，28］按照這種思路，基于3D 虛擬視景（VRT，virtual reality toolbox）生成的AAR機動圖像流，分別在加油機尾安裝人工標記與否的兩種情況下，研究了特征提取-匹配-位姿估計過程的效果。此外，他們還提出了兩種特征匹配算法：一種是僅分析兩個匹配點集之間的距離得出匹配決策，另一種不僅考慮不同點集之間的距離，還考慮同一點集之間的接近性，后者可以用拓撲圖建模。

2009年，Weaver［18］通過喬萊斯基分解狀態協方差矩陣確定各自由度擾動的標準量，然后給各自由度一個標準擾動，利用VRT 的3D渲染生成加油機的預測圖像；這些圖像和實時測量圖像進行比較，作為EKF 的量測誤差反饋，最后融合INS數據得到相對位姿。他的方案中，單目紅外攝像頭安裝在受油機機頭位置并指向斜上方。相比于普通彩色圖像，紅外圖像的復雜度更低，可以減少圖像處理的計算量。另外，為了衡量預測和真實圖像的差異，他考慮了三種基于灰度值的算子：圖像強度差平方和、圖像梯度和帶有閾值的圖像梯度。這種圖像匹配方案，避免了檢測跟蹤中錯誤檢測和錯誤關聯的可能性。

2012年，郭軍等人［29］假設已經得到特征點投影坐標，著眼于位姿估計算法實踐。利用3D-3D 對極幾何原理和N點透視技術進行相對定位導航。接著使用EKF 對視覺估計數據濾波，并與速度量測數據融合，以提高視覺導航算法的精度和魯棒性。同年，王龍等人［11］針對AAR 過程位姿信息嚴重耦合和強非線性的問題，受衛星導航偽距概念啟發，利用特征點的圖像坐標信息對位置和姿態進行解耦，提出了一種迭代算法。

2016年起，Nykl團隊針對受油機體的定位問題，陸續進行了一系列研究。他們采用的方案是在加油機尾安裝雙目攝像頭，指向斜下方拍攝受油機圖像。Parson［12］提出了一種立體視覺檢測算法。首先根據雙目圖像利用半全局立體匹配算法（SGBM，semi-global block matching）算法計算出視差圖；其次根據視差-深度矩陣轉換關系，計算得到重投影點云，使視差圖中的每個像素都映射到了左相機坐標系下的一個三維坐標點。Piekenbrock等人［13，30］提出了一種基于三維迭代最近點的（ICP，iterative closest point）的并行計算定位實現方案。假設預先已知受油機的參考點云模型，第一步的點云配準過程先進行k-d樹搜索給出近似最近鄰結果（ANN，approximate nearest neighbor），用其作為初值再執行Delaunay 三角剖分得到精確最近鄰結果（NN，nearest neighbor）；第二步的點云變換（根據感知點云和參考點云數據計算旋轉平移變換矩陣的過程）過程是：先找到各自的中心，再將兩點云平移至原點，使用奇異值分解（SVD，singular value decomposition）處理它們的協方差矩陣，在此基礎上確定旋轉四元數，使用中心點確定平移矢量。

2019年，Anderson等人［31］主要研究了加油機尾伸出的硬桿對受油機圖像遮擋的問題，在虛擬視景中量化分析了其遮擋范圍，同時確定哪些像素不能用于雙目立體視差成像，從而達到降噪并提高算法效率的目的。同年，Parson等人［32］提出了一種殼參考模型，其與真實模型的區別在于只用受油機的局部生成點云，他從完整的模型中手動去除了機腹部分以及被加油硬桿遮擋的機頂部分；這樣，在進行配準時只需使用局部感知點云和局部參考點云進行匹配。Paulson等人［14］遵循類似思路，同樣著眼于加油桿遮擋，采用了將遮擋區域轉換為陰影體（Shadow Volume，計算機圖形學技術）的策略，動態更新進近對接過程的點云參考模型。

2020年，Lee等人［33］在同樣流程的基礎上，引入了基于深度學習技術的卷積神經網絡（CNN，convolutional neural network）對圖像動態裁剪出ROI區域，再送入ICP 流程，即：捕獲高分辨率雙目立體圖像-用CNN 動態裁剪-生成ROI區域視差圖-計算出重投影點云-用ICP確定受油機位姿。仿真結果表明，相比于團隊之前的試驗，該方案的運行速度更快。

2.4 視覺定位算法總結

綜合上述研究現狀，將視覺AAR 問題可用的算法總結為圖7。表1給出了將基于視覺的定位技術應用于AAR 問題的知名研究團隊。

表1 視覺AAR 問題知名研究團隊

圖7 視覺AAR 問題可用的處理算法總結

從視覺傳感器獲得數據后，先后進行檢測、跟蹤及位姿估計的過程；其中，檢測跟蹤環節可以分為基于特征點、基于目標、圖像匹配三種技術路線，位姿估計環節分為對極幾何、PnP問題、點云問題三種求解思路。

1）基于特征點的技術路線適用于接口和機體檢測，因為接口標識與機體對比度明顯、而機體邊緣與背景也有明確的分界，容易提取出特征點，接著進行匹配和篩選，從而定位2D點。

2）基于目標的技術路線適用于錐套檢測，因為錐套相當于一個小目標，進而需要將其從背景中分割下來，然后提取出其輪廓作為特征，接著在此基礎上計算橢圓參數，定位2D目標。

3）不論是2D點還是2D目標，對其連續的定位就構成了跟蹤問題，光流、相關濾波、均值漂移都是可以采用的算法。

4）另外，關于目標檢測和跟蹤，新穎的深度學習、卷積神經網絡技術也可以考慮，如讓YOLO 網絡檢測錐套目標，然后使用GOTURN 網絡進行跟蹤，或者使用檢測跟蹤一體化的CenterTrack網絡。

5）圖像匹配技術路線適用于機體檢測，基于灰度的分支利用圖像整體的統計特征進行相似性度量，基于特征的分支提取人為設計的特征點、線，再計算描述子進行匹配。

6）對極幾何適用于單目相機，其求解思路是根據對極約束方程組，利用需求數量的2D-2D 點對計算出基礎或單應性矩陣，再結合相機內參得到本質矩陣，最后通過奇異值分解獲取旋轉矩陣和平移向量。

7）PnP（perspective-n-point）問題就是已知n個2D-3D點對（即一些三維點和它們在像平面的投影位置），計算相機或物體位姿的過程。其求解思路中，通常先用直接計算法得到位姿初值，然后構建最小二乘優化問題迭代求解。直接線性變換（DLT，direct liner transform）算法至少需要6對匹配點計算位姿矩陣，而EPnP算法則需要4對不共面的匹配點。

8）點云問題針對雙目和RGB-D 相機（從輸出數據來說，RGB-D相機相當于單目攝像頭與小型激光雷達的組合），是基于數量龐大的3D-3D 點對計算位姿的過程。對雙目而言，其求解思路遵循“視差-深度-配準-變換”，即由立體圖像計算視差圖，根據視差-深度關系得到圖像點深度，進一步得到其三維坐標，預先完成感知點云和參考點云的配準，然后通過奇異值分解求出位姿變換值。

3 未來的研究方向

隨著算法技術的不斷發展，可用于AAR 問題的處理方法也越來越多，未來的研究將朝著更準確高效、更穩定、更安全的方向進步。

首先，精確的定位技術將成為未來研究的重點。近年來，深度學習算法在計算機視覺領域取得了顯著的進展；因此，未來可以考慮將深度學習目標檢測算法與傳統的視覺定位算法結合，以提高定位的精確性，如文章［33-35］所做工作；同時，受益于神經網絡模型端到端的特征，未來也可以考慮使用一體化模型，整合檢測定位過程，以減少人為設計算法的復雜性和不穩定性，如文章［27，36-37］所做工作。不過需要說明的是，目前針對AAR 問題引入了深度學習算法的研究僅局限于軟式錐套的定位跟蹤，未來需要研究其在硬式受油接口以及加／受油機體方面的應用。

其次，魯棒性將成為未來研究的另一個重點。由于AAR 過程存在多種不確定因素，如霧／霾、光照、背景干擾等，如何讓算法主動適應天氣變化，以及如何排除環境中其他可見目標對算法的影響，如文章［7-8，14，22］所做工作，是未來需要考慮的另一個方面。

最后，多源信息融合也是未來研究的重要方向。因為視覺系統僅提供了一個信源的數據，對AAR 問題高安全性的需求遠未達標，所以聯合使用視覺、雷達、激光等多種信息整合在一起，以實現更精確、更可靠的定位效果非常必要，如文章［9，18，29，32］所做工作。

4 結束語

隨著外部環境的復雜化，以及人們對航空力量遠程部署機動的需要日益增長，對空中加油技術的研究也越來越受到重視，作為空中加油自動、自主化的重要組成部分，基于視覺的感知與定位研究有著極其重要的意義。

本文整理了空中加油的技術概念，綜述了近年來該領域的研究進展，提煉總結了可用的視覺處理算法，提出了未來研究的重要方向。然而，對于AAR 技術的研究，目前仍主要停留在初級階段，也存在有精度和穩定性方面的一些困難與挑戰，需要在計算機仿真、算法優化、實機系統測試、安全性評估等方面進一步努力。