Разработка гибридного модуля сопровождения воздушных объектов на основе GRU и фильтра Калмана

<jats:p>В статье рассматривается задача устойчивого сопровождения воздушных объектов в видеопотоке, с акцентом на предсказание их траектории при наличии шумов измерений и кратковременных потерь детекции. Целью исследования является разработка гибридного метода трекинга, объединяющего классический фильтр Калмана и рекуррентную нейронную сеть типа GRU для повышения точности и устойчивости прогноза движения объектов. Предлагаемый подход основывается на использовании фильтра Калмана для оценки текущего состояния объекта, заданного вектором координат ограничивающей рамки YOLO и скоростями [сх,су, w, h, vx, vy], и нейросетевой модели GRU, которая обучается предсказывать изменение скорости Δvx,Δvy​ на основе последовательности предыдущих состояний. В отличие от традиционных методов, где модель движения задается априорно, в предлагаемой работе динамика движения частично извлекается из данных. Предсказания GRU интегрируются в модель фильтра Калмана через механизм адаптивного сглаживания с коэффициентом α, что позволяет гибко регулировать вклад нейросетевого прогноза в итоговую оценку состояния. Основное содержание работы включает описание архитектуры гибридной модели, методики подготовки обучающего датасета, а также алгоритма интеграции нейросетевых предсказаний в процесс фильтрации. Особое внимание уделено задаче долгосрочного прогноза – до 30 кадров вперед – что является критически важным для систем активного сопровождения и управления. Научная новизна работы заключается в предложении способа комбинирования GRU и фильтра Калмана через адаптивное сглаживание управляющего воздействия, что позволяет учитывать нелинейные и нестационарные характеристики движения объектов без отказа от интерпретируемости классической модели. В отличие от существующих решений, предлагаемый метод обеспечивает более стабильную работу в условиях шумных измерений и пропусков детекций. В результате проведенных экспериментов показано, что предложенный подход повышает точность предсказания траектории на 16,57% и снижает накопление ошибки при многошаговом прогнозировании по сравнению с классическим фильтром Калмана и базовыми нейросетевыми моделями на 21%. Разработанный метод может быть применен в задачах детекции и сопровождения беспилотных летательных аппаратов, системах видеонаблюдения и автономной навигации.</jats:p> <jats:p>This paper considers the problem of robust tracking of aerial objects in a video stream, with an emphasis on predicting their trajectories in the presence of measurement noise and short-term detection losses. The aim of the study is to develop a hybrid tracking method combining a classical Kalman filter and a GRU-type recurrent neural network to improve the accuracy and robustness of object motion prediction. The proposed approach is based on the use of a Kalman filter to estimate the current state of an object, specified by the coordinate vector of the YOLO bounding box and the velocities [сх,су, w, h, vx, vy],, and a GRU-type neural network model, which is trained to predict the change in velocity Δvx,Δvy based on a sequence of previous states. Unlike traditional methods, where the motion model is specified a priori, in this paper the motion dynamics are partially extracted from the data. GRU predictions are integrated into the Kalman filter model through an adaptive smoothing mechanism with a coefficient α, which allows for flexible adjustment of the contribution of the neural network prediction to the final state estimate. The main content of the paper includes a description of the hybrid model architecture, a methodology for preparing a training dataset, and an algorithm for integrating neural network predictions into the filtering process. Particular attention is paid to the problem of long-term forecasting—up to 30 frames ahead—which is critical for active tracking and control systems. The scientific novelty of the paper lies in the proposed method for combining GRU and a Kalman filter through adaptive smoothing of the control action, which allows for the consideration of nonlinear and nonstationary characteristics of object motion without sacrificing the interpretability of the classical model. Unlike existing solutions, the proposed method ensures more stable operation under noisy measurements and missed detections. Experiments demonstrated that the proposed approach improves trajectory prediction accuracy and reduces error accumulation during multi-step forecasting compared to the classical Kalman filter and basic neural network models. As a result of the experiments, it was shown that the proposed approach increases the accuracy of trajectory prediction by 16.57% and reduces the accumulation of errors in multi-step forecasting by 21% compared to the classical Kalman filter and basic neural network models. The developed method can be applied to unmanned aerial vehicle detection and tracking, video surveillance systems, and autonomous navigation.</jats:p>