第一代反坦克制导导弹（ATGM）主要依靠操作员的技能来引导他们击中目标，从而使其不准确。然而，第三代反坦克导弹受到电子干扰的影响，而且非常昂贵。例如，反坦克RPG的准确射程为100米，而ATGM标枪的射程仅为4公里（轻量级CLU），成本为249,700美元（仅轻量级CLU）。但是，我们系统的范围取决于所使用的相机范围，在平坦的地面上可能超过50 km，成本为几千美元。本文采用目标检测模型对目标储罐进行识别，并利用基本矩阵和三角测量方法确定目标储罐的位置。因此，生产的控制电路是智能的、自主的、准确的、范围广的，而且相当便宜。该系统安装在反坦克导弹上，在室内进行了测试，并正常工作。在武器工业中使用目标检测模型和计算机视觉技术导致了智能武器的生产，该武器具有更大的射程和自主性。
反坦克导弹是旨在摧毁重型装甲坦克和车辆的武器，有多种形式，从便携式肩扛式导弹到更大的三脚架式武器，也可以安装在车辆上。此外，这些强大的便携式反坦克导弹使步兵能够在战场上从远距离干掉坦克。传统的第一代武器，如反坦克RPG，精度和射程有限，精确射程仅为100 m。像标枪这样的第三代武器也很昂贵，并且受到电子干扰的影响，射程只有4公里（轻量级CLU），成本为249,700美元（仅轻量级CLU）。为了提高反坦克导弹的性能，它们需要通过结合人工智能技术（如物体检测模型和计算机视觉机制）变得智能、自主、廉价并具有更远的射程。
反坦克导弹（ATGM）系统旨在打击和摧毁重型装甲坦克和其他装甲车辆。这些系统的大小各不相同，包括可以由一名士兵携带的肩扛式武器、需要小队或团队携带和射击的大型武器，以及安装在车辆上的导弹。具有大型弹头的便携式ATGM系统的发展使步兵有能力从远处击败装甲坦克。第一代便携式ATGM系统是手动或半自主控制的。手动系统要求操作员将导弹引导到目标，而半自动系统要求操作员将瞄准具保持在目标上直到撞击，并通过电线、无线电或激光标记向导弹发送制导命令。图 1 显示了俄罗斯第一代 9M133 短号反坦克导弹。第三代反坦克导弹系统，如标枪，使用导弹前部的热导引头进行制导，并且是“即发即弃”，这意味着一旦确定了目标，导弹在飞行过程中不需要进一步的操作员输入。即发即弃系统允许操作员在射击后撤退，从而降低他们的脆弱性。这些系统的便携性使步兵能够快速改变位置，这在城市战斗中是一个优势。然而，由于运输频繁，这些系统更容易受到损坏。ATGM机身或控制表面的损坏可能会影响其性能，因为需要精密传感器和制导来发射这些系统[1]。
俄罗斯9M133短号反坦克导弹
全尺寸图像
第三代 ATGM 如图所示。2.这一代ATGM有两种类型的折叠鳍片：前鳍片和后鳍片。前鳍是静态的，而后鳍是可移动的。除了制导和控制系统外，这些反坦克导弹还包括助推火箭部件、火箭维持器、主弹头和前体弹头以及红外导引头或相机[2]。
ATGM和控制系统
全尺寸图像
标枪武器系统是一种便携式，即发即弃的反坦克导弹系统，由两部分组成：指挥发射单元（CLU）和包裹在碳纤维发射管中的导弹。发射管保护导弹免受环境影响并提供电气连接。该导弹有一个直径为5英寸的机身和八个中体机翼，以及后部的四个控制鳍，由连接到执行器的枢轴臂控制。导弹前部的导引头使用红外线将导弹引导至目标，自动驾驶仪存储在CLU中。操作员可以在顶部攻击或直接攻击轨迹之间进行选择，顶部攻击轨迹是默认的，也是最常用的。标枪的低速生产始于1996年，并于1997年首次部署，在伊拉克自由行动期间被广泛使用。冲突结束后，许多导弹被送回仓库。图 3 显示了标枪火箭。反坦克制导导弹（ATGM）的飞行初始阶段称为预制导，发生在发射发动机点燃之前。在此阶段，系统在继续之前检查导弹与发射点是否保持安全距离。6自由度仿真通过设置初始速度和欧拉角来模拟预制导。下一阶段称为爬升，其中导弹以恒定速率上升，直到达到 120 m 的高度或其视线 （LOS） 接近其最大射程。第二种情况仅在瞄准近距离物体时发生，即导弹在达到 120 m 之前进入终端制导。如果高度达到 120 m 而不符合 LOS 标准，则导弹将进入高度保持模式。当导弹在高度保持模式下接近目标时，导引头角变得越来越负。然后，当导引头角度超过其负极限时，导弹从高度保持过渡到终端制导。在终端制导过程中，导弹的轨迹被调整为通过保持恒定的导引头角度来拦截目标。图 4 显示了先前定义的标枪轨迹的视觉描述 [3]。
美国FGM-148标枪自动取款机
全尺寸图像
标枪轨迹
全尺寸图像
第一代反坦克导弹的射程有限，需要操作员将瞄准目标直到撞击。操作员必须具备一定的技能才能正确执行这项任务，从而危及他们的生命。相比之下，第三代反坦克导弹使用激光和电光图像导引头等现代技术将导弹引导至目标坦克，但受到电子干扰的影响并且价格昂贵，例如标枪，其成本为 249,700 美元（仅限轻量级 CLU），射程有限为 4 公里。
使用视频流和计算机视觉技术定位目标比使用有源传感器便宜得多;例如，这里设计和建造的控制电路的成本约为 700 美元，而标枪控制电路的成本为 249,700 美元（仅限轻量级 CLU）。因此，需要智能、射程广、准确的人工智能武器，以减少伤亡人数和对民用财产的破坏。此外，这些新的智能武器可能比现有武器更便宜，射程更大。
对象检测涉及在图像中的特定对象周围绘制边界框，并为其分配类标签。最常用的对象检测模型是基于区域的卷积神经网络（R-CNN）和You Only Look Once（YOLO）。R-CNN 更准确，但速度较慢，而 YOLO 速度更快，可以实时进行物体检测。YOLO 家族由 Redmon 等人于 2015 年进化而来。YOLO 利用所有最顶层的特征图来预测置信度、多个类别和边界框。
YOLO 模型将图像作为输入，并使用单个经过端到端训练的 CNN。该模型预测每个边界框的边界框和类标签。YOLO 将输入图像划分为单元格网格，每个单元格负责预测以该单元格为中心的对象。每个单元格预测多个边界框和相应的置信度分数。然后，将类概率映射和带有置信度的边界框组合在一起，形成一组最终的边界框和类标签。图 5 说明了 YOLO 模型的预测 [4]。
使用YOLO模型做出的预测摘要
全尺寸图像
YOLOv5 于 2020 年 5 月 27 日由 Ultralytics LLC（美国加利福尼亚州洛杉矶）发布。它平衡了检测精度和实时性能，检测速度高达每秒 140 帧。重量轻，检测精度高。YOLOv5 包括以下版本：YOLOv5s、YOLOv5l、YOLOv5x 和 YOLOv5m。YOLOv5s具有最佳的检测速度和最小的网络结构，但也具有最低的精度，如图所示。6. 要使用 YOLOv5，需要通过提供与图像同名a.txt注释文件，将数据集更改为特定的注释格式。此文件包含每行的注释信息。完成注释后，数据集将以 YOLO 格式导出，为每个图像创建a.txt文件。在本例中，使用了 XML 格式，其中包含每个图像中每个检测到的对象的class_id和边界框坐标。然后将数据集分为大约500张俄罗斯坦克图像的训练数据集和大约150张俄罗斯坦克图像的验证数据集。最后，对YOLOv5模型进行训练，并利用该模型进行预测[5]。
Versions of YOLOv5
Full size image
本文旨在设计和构建一种用于ATGM的宽范围、智能和自主控制电路。该电路使用目标检测模型（如YOLOv5）检测目标坦克，然后使用计算机视觉技术定位目标并将导弹指向目标。由于构建的控制电路是智能和自主的，因此它是准确的，从而减少了人员伤亡和对民用财产的损害。此外，这种设计的控制电路比标枪和拉哈特导弹控制电路便宜得多。
本文利用了计算机视觉的以下基础知识和原理。
极地几何是两个图像之间的固有投影几何，它不仅依赖于相机的相对姿态，还依赖于它们的内部参数。它使用两个具有通过基线连接的中心的摄像机。例如，在3D空间中的两个视图中，X点在第一个视图的xl处成像，在第二个视图中在xr处成像，其中xr是X点右侧相机图像中的相应右点。
极性几何形状
全尺寸图像
{\text{x}}_{{\text{r}}}^{{\text{T}}} {\text{F x}}_{{\text{l}}} = \， 0，
(1)
xl是左侧 camara 中点 X 的左图像，Xr是点 X 的右 camara 图像中的相应右点。
这个方程是基本矩阵，它指出将左侧相机图像中的一个点乘以基本矩阵并在右侧相机图像中找到相应的点将导致零。基本矩阵捕获两个图像中相应点之间的关系。要求解这个方程，我们需要知道左点和相应的右点。我们需要每对对应点的一个方程，因此我们需要八个点来找到八个未知数，因为缩放并不重要。这是一组齐次方程，F只能确定到尺度[7]。
归一化八点算法是计算基本矩阵的最简单方法。它由 Longuet-Higgins 于 1981 年开发。归一化八点算法的第一步是在准备方程组之前对输入点进行归一化。为了获得稳定的结果，在准备线性方程之前，视图中的点需要进行简单的变换（平移和缩放）。每个点都应进行平移和缩放，以便坐标系的原点是参考点的质心，√2 表示点到原点的均方根距离。图 8 显示了具有手动匹配点的真实测试图像。
具有手动匹配点的真实测试图像
全尺寸图像
图 9 描述了基本矩阵方法的计算。它首先拍摄目标坦克的两张图像，当相机在运动时，为该目标拍摄了两张连续图像。然后，对这些图像进行过滤以消除噪点或转换为灰度。下一步是特征检测过程，其中使用一种机制（如Harris、SIFT或ORB检测器）检测突出点。下一阶段是特征匹配，其中使用特定机制（如 BF 匹配器）选择两个目标图像中的匹配点。下一步是对匹配点进行归一化，然后计算基本矩阵[8]。
F 方法的计算
全尺寸图像
三角测量涉及找到空间中一个点的三维坐标，给定其两个已知的图像坐标，由具有已知校准和姿势的相机拍摄。图 10 说明了空间 x 中的三个世界点，其中第一个相机中点 x 的图像位于 y1，同一点 x 位于第二个相机中的 y2。两条光线 y1o1 和 y2o2 的交点决定了点 x 的位置。在 3D 中，由于相对方向不完美或相应点不完全匹配，光线可能不会相交。
第一个构建的控制电路是真正的反坦克导弹电路，在室内进行了测试，而第二个是模拟器。第一个控制电路由以下组件组成：
1
反坦克导弹
2
相机三脚架
3
NVIDIA Jetson TX2 开发套件
4
四台伺服电机
5
四个控制界面
6
PCA 9685 电机驱动器
图11显示了真实的反坦克导弹电路。
真正的反坦克导弹电路
第二个控制电路由以下组件组成：
1
NVIDIA Jetson TX2 开发套件
2
四台伺服电机
3
四个控制界面
4
PCA 9685 电机驱动器
5
平移和倾斜摄像机
6
树莓派 4 微控制器
7
显示器
两个控制电路的工作原理如下：NVIDIA Jetson TX2 开发者套件的相机连续拍摄了两张目标坦克的图像。然后，YOLOv5模型检测到这个目标坦克，之后主程序从一台相机接收到两个图像来计算基本矩阵。通过检测目标坦克的两张图像中的特征来确定基本矩阵。使用ORB检测器检测每张图像中的特征，并使用BF匹配器匹配目标图像中的常见特征。然后，提取这些匹配特征的坐标并归一化。下一步是使用基本矩阵和三角测量方法来确定匹配点的三维坐标。然后，使用这些坐标来计算这些匹配点之一与 x 轴、y 轴和 z 轴形成的角度。最后，计算出的角度用于将控制控制面的伺服电机移向目标罐。只要ATGM向目标坦克移动，这个过程就会不断重复。图12描述了构建的仿真电路，图12所示。图13示出了在这些控制电路上运行的程序的流程图。
模拟器电路
全尺寸图像
带摄像头的自动反坦克导弹系统流程图
全尺寸图像
本文的目的是设计和构建一种范围广泛、智能和自主的反坦克控制电路，该电路使用目标检测模型和计算机视觉技术将反坦克导弹转发给目标坦克。这是通过构建控制电路并应用Suliman算法实现的，如下所示。使用了T90俄罗斯玩具坦克。NVIDIA Jetson TX2 开发者套件的相机连续拍摄了两张目标坦克的图像。然后，第一步是目标检测，其中 YOLOv5 模型检测到目标坦克，如图所示。14 和 15.
目标坦克的物体检测
全尺寸图像
玩具俄罗斯坦克的物体检测
全尺寸图像
YOLOv5 模型在 0.4 秒内检测到目标坦克，而 YOLOv2 模型在 1.1 秒内检测到目标坦克。此外，NVIDIA TX2 板的掩码 RCNN 非常慢。
第二步是特征检测过程，其中使用检测器（例如Harris，SIFT或ORB检测器）检测突出点。下一阶段是特征匹配，其中两个图像中的匹配点通过特定机制（例如BF匹配器）进行选择，如图所示。16. 然后，下一阶段是提取这些匹配点的坐标，如图所示。17. 接下来是匹配点的归一化。换言之，对匹配点进行平移和缩放，因此这些匹配点的质心是坐标系的原点。
特征匹配过程
全尺寸图像
提取匹配点的坐标
全尺寸图像
此外，匹配点与原点之间的距离应等于 √2。如图所示。18. 下一阶段是使用八点算法计算基本矩阵，如图所示。19.
匹配点的归一化
全尺寸图像
基本矩阵
全尺寸图像
然后，使用棋盘方法确定相机校准矩阵，如图所示。20.
相机矩阵
全尺寸图像
然后计算基本矩阵，因为基本矩阵等于基本矩阵乘以相机矩阵，如图所示。21.
基本矩阵
全尺寸图像
使用三角测量方法，计算匹配点的三维坐标，如图所示。22.
匹配点的三维坐标
全尺寸图像
下一步是选择其中一个匹配点，并使用三角公式计算该点与 x 轴、y 轴和 z 轴形成的角度，如图所示。23. 最后，这些角度用于将伺服电机移向目标坦克。只要导弹向目标坦克移动，这种方法就会反复执行。
所选匹配点的角度
全尺寸图像
使用了具有两个伺服电机的平移和倾斜相机。该相机可以沿 x 轴和 y 轴移动。此平移和倾斜摄像机的伺服电机连接到 PCA 9685 电机驱动器，该电机驱动器连接到 NVIDIA Jetson TX2 开发套件。首先，NVIDIA Jetson TX2 开发者套件的摄像头拍摄了目标坦克的视频，然后 YOLOv5 检测到了坦克。其次，使用目标坦克的两张图像，使用基本矩阵和三角测量方法反复确定其位置。然后，利用计算出的x角和y角将平移和倾斜相机的伺服电机指向目标罐体。此外，这款平移和倾斜相机连接到Raspberry Pi 4微控制器，该微控制器连接到显示器。如果目标在显示屏上可见，则平移和倾斜相机正确指向目标。因此，位置确定方法是正确的。因此，使用目标检测模型来检测目标坦克，并使用基本的矩阵和三角测量技术来确定坦克的位置，从而产生了准确且廉价的自主ATGM控制电路。
该系统还安装在反坦克导弹上，在室内进行了测试，工作方式如下。NVIDIA Jetson TX2 开发者套件连接到连接到四个伺服电机的 PCA 9685 电机驱动器。这些伺服电机连接到四个控制面。首先，NVIDIA Jetson TX2 开发者套件的摄像头拍摄了目标坦克的视频，然后 YOLOv5 检测到了坦克。其次，重复使用目标坦克的两张图像，使用基本矩阵和三角测量方法确定其位置。然后，使用计算出的 x 和 y 角旋转伺服电机，从而将控制面移向目标罐。
当目标坦克移动到另一个位置时，NVIDIA Jetson TX2 开发者套件的摄像头拍摄了另一个视频，并重新计算 x 角和 y 角以旋转伺服电机，随后将控制面移向目标坦克。因此，位置确定方法是正确的，系统工作正常。
因此，仅使用两个连续的图像并应用计算机视觉技术，例如极地几何、特征检测、特征匹配、基本矩阵和三角测量方法，我们就能够确定目标坦克的位置，并将导弹指向它进行破坏。
本文提出了智能武器设计和构建的突破性进展。本研究设计并构建了一种用于大范围、智能和自主ATGM的控制电路。使用目标检测模型和计算机视觉技术来设计和构建该控制电路。此外，智能和自主的反坦克导弹不仅降低了这些导弹的成本，而且还提高了精度并将射程增加到50公里以上。因此，受害者人数和民用建筑的破坏应该减少。与 FGM-148 标枪的控制电路相比，FGM-148 标枪的射程为 4 公里（轻量级 CLU），成本为 249,700 美元（仅轻量级 CLU），这种智能自主控制电路的成本约为 700 美元。此外，FGM-148标枪使用红外导引头跟踪目标坦克，而这里介绍的智能控制电路使用视频帧、物体检测模型和计算机视觉技术。但是，对象检测模型在大约半秒的时间内执行。因此，该模型只执行了一次，而计算机视觉技术只要导弹向目标坦克移动，就会重复执行。此外，异常值要素可能导致位置不正确。
此外，该系统依靠目标坦克的两张清晰图像来确定其位置，但在雾或雨等恶劣条件下可能无法工作。但是，可以使用滤镜来增强图像。
此外，立体相机应用于长距离，以避免单个相机造成的延迟（表1）。
全尺寸表格
在这个时代，先进技术被用来制造能够精确、远距离击中目标的高效、自主的武器。
反坦克导弹通常用于世界各地的冲突中，以保护国家并摧毁敌方坦克和重型车辆。然而，像 FGM-148 标枪这样的当前 ATGM 射程有限且价格昂贵。像9M133短号这样的传统导弹缺乏精确度，射程也有限。为了改进ATGM，使用目标检测模型（如YOLOv5和计算机视觉技术）设计了智能和自主控制电路。这些智能、自主和精确的反坦克导弹更便宜，射程更广，从而减少了人员伤亡和对民用财产的损害。这是智能武器的时代，它利用先进技术制造出高效且具有成本效益的武器。
原文已经上传知识星球，加入知识星球获取。
该星球用于分享技术、情报和军事类的技术知识，目前该知识星球已有2500份文档了和各类技术分享，后续每天都会有不同的技术资料分享，如果有需要的可以扫知识星球的码加入，内容很丰富，包含雷达技术文档、智能仿真代码，包括无人机蜂群代码等，及其他雷达技术仿真代码、武器系统技术、技术情报、武器分系统技术等知识.
联系客服
