1.【开源项目集】无人机在未知环境中的无人无人自主建方法
2.浅析无人机发展趋势以及如何实现EasyDSS+无人机视频推流？
3.一文了解射频系统抗干扰技术及应用实例
4.你们怎么看待无人机反制系统的发展前景？
5.新手YOLOv8目标检测实战（训练自己的数据集）
6.无人机操作流程是怎样的？
【开源项目集】无人机在未知环境中的自主建方法
在现代SLAM系统中，依赖于人工操作的机检机检环境遍历限制了无人机在未知环境中的自主建图能力。为了实现这一目标，测系测系自主探索(Autonomous Exploration)系统成为关键，统的统它能自动化SLAM的前端前端环境侦查过程，无需人工干预。源码源码智能客服机器人 源码本文汇总了无人机自主探索领域的无人无人多个开源项目，包括那些在GitHub上获得超过个star的机检机检项目，如RH-NBVP，测系测系它的统的统Receding Horizon "Next-Best-View" Planner对于3D探索有深入研究；MAV_Active_3D_Planning采用高效采样方法规划未知环境中的路径；Glocal_Exploration提供了一体化的解决方案，即便在严重航向漂移下也能有效探索大型环境。前端前端
近期更新如下：
- 年3月日，源码源码加入了UFOExplorer，无人无人采用图规划结构实现快速和可扩展的机检机检探索；
- 年月日，增添了SSC_Exploration和SEER，测系测系SSC致力于3D场景的增量完成，而SEER则利用学习预测信息增益提升安全和效率。
FUEL和TARE也凭借论文支持，分别采用了增量前端结构和分层规划，以及CMU自主导航套件的一部分，展现高效探索复杂3D环境的能力。AEPlannerDEP针对动态环境的自主UAV探索也有所贡献，而Autonomous_MAVsFlyingOctomapNBV_Exploration_Planner则提供了一种快速的采样式Next-Best-View探索算法。
UFOExplorer的视频演示了其强大功能，而SEER的项目状态虽为即将发布，但其学习驱动的探索策略颇具前景。GBPlanner则结合了空中和腿足机器人，用于地下环境的图形路径规划。
这些项目展示了无人机在未知环境中自主建图的广阔前景，不断推动着技术的发展。如果您希望上手实践，这些经过验证的方案是不错的选择。如果你发现其他相关方法，请随时分享，共同丰富这个领域的开源项目集。
浅析无人机发展趋势以及如何实现EasyDSS+无人机视频推流？
随着无人机技术的快速发展，其应用场景和领域不断扩展，无人机已从摄影爱好者的“飞行玩具”转变为应用于城市航拍、森林防火、农业植保、国土测绘、地质勘探、电力巡检、野外监测、警务安防、灾难救援等多元化场景。
无人机的独特优势如可移动性、易操控性、高效性和灵活性，赋予其巨大市场潜力及在各场景中的重要作用。结合视频技术，无人机能够实现与空间数据的交互操作，创造更新颖的应用价值。
EasyDSS平台作为强大的筹码决策指标源码视频处理工具，具备视频推拉流、直播、录像、转码、存储、分发等功能，兼容多种操作系统，支持CDN转推，具备高可扩展性和灵活性。
EasyDSS+无人机视频推流直播方案包括前端设备、服务端和客户端三个部分。前端设备为搭载高清推流摄像机的无人机，服务端为EasyDSS平台，负责接收无人机的视频流，并支持实时直播、录像、回放及语音对讲等功能，客户端则接收EasyDSS平台分发的多种格式视频流，在多终端设备及平台上播放视频。
无人机推流主要采用RTMP协议，通过挂载的高清摄像头采集实时视频画面，推送至EasyDSS平台，由平台进行转码处理，并向各种终端和业务平台进行实时分发、直播。此外，EasyDSS平台还支持无人机视频流的录像、存储和回放，实现资源最大化利用。
EasyDSS平台的视频能力表现出低延迟、高并发、性能稳定和流畅播放的特点，结合无人机监控技术，能够推动更多创新应用的发展。随着AI智能时代的到来，无人机视频应用也在向智能化、便捷化方向发展，视频技术中融入AI智能检测与识别技术成为发展趋势。例如，通过无人机拍摄的画面实时检测人、物、事件、行为等，并实现对目标物体的捕获和追踪。
关于EasyDSS+无人机RTMP推流视频技术的更多信息，请持续关注我们的更新。
一文了解射频系统抗干扰技术及应用实例
在5G通信技术的推动下，物联网应用场景空前爆发。在汽车、工业设备、国防设备等平台搭载的包括5G通信在内的导航、探测、通信、源码下载歌曲推荐测控、数传等射频系统，具有复杂调制类型、超宽频率范围和丰富功率电平的特性。这些平台通常包含数十个射频发射设备，如倍频器、混频器和功率放大器等，它们在工作时会产生大量的交调产物，同时扩频调制和调频工作会导致杂散辐射频谱的大量增加。与此相对应的是，这些平台还包含大量射频接收设备，它们的工作频段各异，敏感频率如镜像频率、谐波频率等也各不相同。随着软件无线电、数字化中频、宽带接收等技术的采用，接收系统受到干扰的风险大大增加。这些复杂的电磁干扰以及与电磁频谱相关的设备、系统和平台的影响，成为了决定整体系统和平台效能的关键因素。
从射频的角度来看，5G技术的先进性之一在于其工作在更高的频率，拥有更多带宽。根据3GPP的定义，5G通信设备工作在Sub-6GHz低频和mmWave毫米波高频两个频谱范围内，每个频谱又细分了数十个频段号，供不同国家的电信运营商使用。例如，中国移动、中国电信和中国联通分别获得了MHz-MHz、MHz-MHz和MHz-MHz频段，全球范围内的电信运营商分配频段则更为复杂。
不同的频段在5G通信设备中对应着特定的射频前端系统的硬件支持。为了在拥挤而复杂的频谱环境中确保通信设备不被其他频段设备干扰，设计师需要考虑如何进行设计。随着通信技术的发展，通信设备需要兼容老的移动通信制式，如2G GSM、3G WCDMA/CDMA/TDSCDMA、4G TD-LTE/FD-LTE等。近年来，一款先进的手机5G天线设计包含了根天线，支持包括5G、4G、3G、2G、WiFi、BT、GPS、NFC在内的8种不同移动通信系统。在单独工作时，这些系统不会产生干扰问题，opencv打开相机源码但在同时工作时，可能产生的互调/交调频谱分量或噪声信号会严重干扰到某些极度敏感的通信系统，如GPS。
面对这些挑战，实现完美的射频系统抗干扰仿真方案至关重要。Ansys的射频系统抗干扰仿真方案提供了一个复杂射频环境中电磁干扰仿真的全面框架，结合了尖端的仿真引擎与多保真参数化模型。这套方案允许设计师在设计早期阶段就开始仿真，直至系统设计完成后的维护阶段。通过定位出共址干扰问题，在进行设备或系统否认和修改之前，可以在软件中进行改善策略的探索对比，从而帮助客户节省大量成本。
为了实现这一目标，射频系统共址及抗干扰仿真解决方案需要关注几个关键能力。首先，需要对射频系统进行建模，包括收发机、滤波器、双工器、放大器、混频器、天线等众多器件。Ansys EMIT内置了多种通用的无线电模型库，支持直接调用使用，同时允许用户自定义特殊功能的无线电模型。此外，软件支持多种保真度的天线耦合模型，以提供从恒定耦合到宽带S参数数据的详细耦合度信息。快速准确的天线耦合仿真算法也是重要组成部分，能够导入天线测试数据作为耦合模型，或与Ansys高频电磁场仿真工具HFSS联合工作，通过其商业化的电磁求解器得到精确的天线耦合数据。
在考虑所有干扰因素时，EMIT提供了一对一收发系统仿真、宽带射频干扰冗余度仿真以及带内峰值射频干扰余量计算。EMIT能计算出多个发射系统同时工作时产生的有源互调交调产物，以及这些产物如何影响接收机的性能。同时，EMIT提供直观的结果显示和干扰诊断功能，帮助用户快速定位干扰因素，并通过内置的自动化诊断功能和“what if”分析功能，评估可用的干扰改善措施。
以下是两种常见的射频系统抗干扰仿真案例。在“整车”场景中，汽车通常搭载多个无线通信系统，如GPS接收设备、WiFi收发设备、FM接收机、VHF/UHF收发机等。使用HFSS进行三维空间辐射场性能仿真，通过计算得到的宽带耦合S参数，分析了天线之间的35源码反码补码相互耦合对接收性能的影响。通过在VHF收发机和FM接收系统通道加入带通滤波器，消除了对GPS接收设备的干扰。在“无人机与基站”场景中，EMIT对基站和无人机两个系统的所有发射和接收通道进行建模，通过功率流分析方法，评估了无人机在不同距离下受到的干扰情况。为了解决干扰问题，在无人机视频下载系统的C2接收通道前端添加了带通滤波器，成功消除了干扰。
5G时代万物互联，无线系统的数量激增，其发生干扰和性能劣化的可能性也随之增加。随着中国5G商用牌照的发放，5G作为新一代移动通信技术，将给人类生活带来深远的影响。Ansys EMIT提供了全面的仿真解决方案，帮助工程师在设计早期阶段评估干扰风险，避免干扰问题，减少后期修复成本，从而确保系统的可靠性和性能。通过利用专业仿真软件，企业能够提前确定干扰可能发生的位置，优化设计，确保5G通信技术在复杂环境中稳定运行，推动5G时代万物互联的发展。
你们怎么看待无人机反制系统的发展前景？
随着无人机市场的快速打开，人们拥有一台“想飞就飞”的掌上“灰机”已经不再是难事，但是无人机“滥飞”“黑飞”事故频发，伤人毁物，甚至可能被恐怖分子利用，造成重大安全隐患。除了出台监管政策，必要的反无人机手段亟须上马，因此无人机与反无人机必将上演一场场技术比拼、互寻漏洞的戏码。
据数据统计，在～年间，反无人机市场将以每年约.%的速度增长，到年，市场总额将达到.4亿美元。其中，亚太地区的反无人机系统需求将占全球市场的%，反无人机产品将长期保持高速增长
1、反无人机系统的分类
利用这些技术手段研制的反无人机系统大体上可分为三类：一是监测控制类，借助阻截无人机的使用的传输代码控制无人机并引导其返航，同时避免无人机坠毁。二是直接摧毁类，主要是利用导弹、激光武器、微波武器、格斗型无人机以及常规火力等手段直接摧毁无人机。三是干扰阻断类，通过向无人机发射定向大功率干扰射频，切断无人机与遥控平台之间的通讯，迫使无人机自行降落或返航。
2、各国反无人机系统发展现状
美国：高度重视研发各类反无人机系统
波音公司研制了多款反无人机激光武器，较为典型的是反无人机激光炮。激光炮的发射器和万向架可以使激光炮精确瞄准无人机的任何一部分，在发现无人机的几秒钟内就可以击落低空低速飞行的无人机。年8月，波音公司发布了一款反无人机激光武器系统（简称LWS）。通过发射KW的激光束，该系统可以立即摧毁公里外的无人机。LWS可拆分成四部分，可由两人运送，分钟内就可以在野外组装部署完毕。与传统常规的动能或化学能武器不同，激光武器通过对目标施加能量（以光速或接近光速运动的光子或粒子）来破坏或摧毁目标。试验表明，无人机在激光武器面前躲避攻击的能力大大降低。精度高、成本低、发现即摧毁等优点使此类反无人机系统倍受亲睐。
年月，美国最大的非营利开发机构Battelle推出了一款反无人机设备Drone Defender。该设备外形特别像步枪，前端装有一根白色的杆状天线，是首款可精准快速阻止可疑无人机靠近的、可移动的非破坏性反无人机专用设备。使用者只要将其瞄准目标无人机，同时扣下扳机，目标就会被“击落”。该设备有效打击范围为米，仅对依靠GPS导航或实时遥控的无人机有效（如四轴和六轴飞行器）。
“无人机标识移动应用”（MAUI）是一款由诺斯罗普•格鲁曼公司开发的、可以在安卓手机上运行的软件。该系统利用手机自带的麦克风可以探测重量小于9千克、飞行高度低于米、飞行速度不超过千米/小时的低慢小无人机。同时，利用现成的商用移动设备，MAUI系统软件能够在高噪音环境中探测识别视距范围之外的无人机。另外，诺格公司研发的射频拦截系统“基于已知电子战技术的无人机访问限制”（DRAKE），能够为美军应对低慢小无人机提供选择性的、非动能的电子攻击手段。DRAKE项目在执行反无人机和保护友军通信等方面已经展示了可行性。
新手YOLOv8目标检测实战（训练自己的数据集）
在无人机的目标检测任务中，通过红外图像与可见光图像的融合，yolov8的前端配置了两个检测头以实现特征融合。
本文将介绍如何配置训练运行yolov8代码，尽管GitHub上有官方教程，但我将分享自己遇到的问题和经验。
1. 环境构建
在构建环境时，我遇到了很多问题，主要原因是电脑的anaconda版本过低，导致配置环境时频繁报错。我尝试更新anaconda，但总是转圈，最后选择卸载并重新安装anaconda。另外，实验室电脑配置较低，需要关注显卡和python的兼容性。
（如果下载速度慢，可以使用清华园镜像，或者直接去淘宝购买元的服务，通过Todesk在半小时内完成配置。）
使用时，记得在anaconda或命令行中激活yolov8的虚拟环境。
如果不训练自己的数据集，可以使用官方权重。直接从GitHub下载权重文件放在根目录下即可完成推理。
代码中包含多个任务，如检测和分割。这里使用的是官方代码，专注于检测任务。
2. 数据集的构建
可以使用官方的开源数据集coco、Imagenet等，根据自己的需求选择。
我在yolov8m的基础上训练了自己的数据集（分为test、train、val）。在标注数据时，使用labelimg工具，百度搜索即可找到使用方法。如果出现闪退问题，很可能是当前python版本与labelimg不兼容，升级版本即可。
推荐一个在线标注网站：makesense.ai/，可以直接在线标注，保存也非常迅速，页面设计得非常舒适。
另外，需要注意格式问题。我的实验室使用的是voc格式，需要使用以下代码将其转换为txt格式才能使用。
3. 训练自己的数据集
需要借鉴coco的格式，具体操作是下载coco的压缩包，放在datasets文件夹中（在根目录下）。datasets文件夹中还需要创建一个名为mydata的文件夹，用于存放自己的数据集。mydata文件夹中包含images、labels、run和txt文件。
建立好自己的数据集后，配置yaml文件。
如图所示，可以直接复制coco文件并修改路径。mydata使用绝对路径（防止报错），train和val位于mydata下的路径。最后的下载网址可以不要。
准备好上述文件后，就可以进行训练了。
进入github的官方文档，里面有train的命令行代码。
（官方文档中还有很多参数，可以根据项目需求进行更改。这里只更改了自己需要的参数。）
这里使用自己的数据集加上visdrone的数据集task1，数据量较大。我的电脑是五代i5，运行速度非常慢。当然，也可以在官方GitHub进入colab进行训练，下面附上一个视频链接，详细介绍了在colab上训练的方法。
##本来以为大功告成，结果意外发生了
（附上链接，这是解决方法）
再次运行可以下载了。
结果又出意外了，晕。
这次显示标签格式不正确，需要转换为float。
路径使用绝对路径。如果是使用别人的数据集，可以从网上找到转换代码。
具体配置文件如下
##训练的权重文件在runs文件夹中，具体位置在工作台里有
训练完成后，使用best.pt即可。
3. 验证
##一直报类别的错误，刚刚解决了
如果一开始定义类别出错并运行，一定要先删除缓存文件，否则就会一直按错误的标签运行。
##如果出现github无法下载导致报错，多试几次就可以了。
无人机操作流程是怎样的？
无人机操作流程详解：
1. 启动遥控器：
打开无人机遥控器，并将滑动开关向上推至启动位置。请注意，不同无人机型号的滑动开关位置和操作方式可能有所不同，具体操作请参考随机说明书。
2. 遥控器设置：
将遥控器上的所有功能键向前推至最前端，同时将油门杆推至最低位置。接着，找到遥控器上的复位功能开关，确保圈内的所有功能键都处于最前端，油门杆也处于最低位。
3. 电源连接与基本操作：
连接遥控器的电源接口。此时，将左侧摇杆回到中立位置，可以通过左右移动控制无人机的左右转向。
起飞与降落练习：
起飞步骤：
- 确保远离无人机，以免干扰。
- 解锁飞控系统。
- 缓慢增加油门，直至无人机平稳起飞。加注油门时应逐步进行，避免突然加大油门导致无人机失去控制。
降落操作：
- 逐渐降低油门，使无人机缓缓接近地面。
- 当无人机离地面约5-厘米时，轻推油门以减缓下降速度。
- 再次降低油门，直至无人机轻触地面。一旦触地，切勿再推油门。
- 将油门推至最低位置，并锁定飞控系统。
降落是一个相对复杂的过程，需要经过多次练习以掌握正确的操作顺序和力度。
什么无人机干扰系统好
无人机反制系统
反无人飞行器系统由搜索系统、光电跟踪系统、射频干扰系统及显控单元四个主要分系统及模块构成。
1）搜索系统
A.无线电频谱监测系统（频率扫描）
无线电频谱监测系统被动截获无人机与遥控器之间的图传信号和遥控信号，实现对无人机的被动探测、侧向、识别与定位
B.搜索雷达
雷达采用C波段，相控阵+收发全数字DBF技术体制，具有数据率高、重量轻、体积小、功耗低等优点，产品如图2
雷达工作在C波段，采用全数字有源相控阵的技术体制，通过模块化、精细化设计，综合运用自适应动目标检测、数字T/R（发射/接收）、DBF（数字波束形成）、模拟数字一体化设计等技术手段，具有低空探测性能好、机动跟踪能力强、测量精度高和成本低等特点，是一部探测无人机性能优异的相控阵雷达，可以实现重点监控区域无人机的探测、警戒和目标指示，为监控系统提供实时、准确、连续的空情和目标信息。
2）光电跟踪系统
光电跟踪系统由跟踪转台和光电舱构成，光电舱中装有非制冷红外焦平面探测器、高清可见光相机及图像处理板。光电跟踪系统根据搜索系统提供的目标位置信息，完成对目标的初始对准，随后在初始对准区域附近搜索目标，搜索过程中可通过自动识别或人工指定两种方式确认可疑目标，随后转入目标自动跟踪工作模式，使得光电传感器视轴以及安装于跟踪转台上的射频干扰天线能够实时对准目标。
3）射频干扰系统
无人机精确定向射频干扰系统采用光电识别与自动跟踪技术、精密伺服控制技术及高增益定向射频干扰技术实现对无人机搜索系统（包括无源探测与定位设备、主动雷达及光电搜索设备等）探测到的可疑目标的二次搜索、精确定位及自动跟踪功能，并发射定向射频干扰信号，瘫痪无人机的卫星导航、无线遥控及无线图传链路，使得无人机失去按照预定航路继续飞行的能力，达到迫降或驱离无人机的目的。
4）显控终端
反无人机系统显控端软件在设计上分为界面显示前端与后台控制处理计算模块，界面显示前端负责显示搜索系统、光电跟踪系统、射频干扰系统的信息及状态，并集成常用的操作界面；后台控制处理计算模块是界面显示前端与前端产品的信息处理中枢，将搜索系统、光电跟踪系统、射频干扰系统的原始数据处理后，传递至界面显示前端，将操作指令综合处理后，发送至前端产品各分系统。
其实无人机反制系统，主要就是看雷达。
雷达：（探测）
电扫雷达：特别贵一面可能上千万，预算少的朋友不要考虑了
机扫雷达：左右扫，6s一圈，雷达需要扫描到物体3次才能确定，也就是说6*3=s 才能确定物体，会给一些无人机有可乘之机。
相控阵雷达：4-5面，面与面夹角°，1.5秒确一个点，1.5*3=4.5s 就能确定物体，让无人机没有可乘之机。是市面上所有无人机反制使用量最多的雷达
但是实际中你会遇到这样的情况，当无人机看到有雷达之后，寻找障碍物进行躲藏，比如树后，或者其他障碍物之后，雷达就无法发现这个无人机了。
