无人机在军事防御中需要高精度的态势感知能力，多目标跟踪（MOT）被认为是这项任务的关键所在。然而，把这一关键技术植入无人机上却面临重重困难，如传感器的移动、缩放级别突然变化、动态背景、光照突变、遮挡问题和小目标跟踪等。传统的滤波算法在复杂环境下往往力不从心，因此洛克希德·马丁公司的AI中心决定尝试一种新的方法——DeepEKF。这个深度扩展卡尔曼滤波器给经典的卡尔曼滤波方法赋予了神经网络学习的能力。把传统卡尔曼滤波和深度学习结合起来，DeepEKF在实时战场中能够稳定准确地锁定每个移动目标。 为了解决这些痛点，DeepEKF采取了三个核心策略。首先是用序列到序列架构进行轨迹预测，通过分析历史轨迹数据来学习潜在运动规律。这让算法能主动预测下一帧目标的运动轨迹，即使遇到加速或减速也能平滑过渡，为后续视觉确认提供时间。其次是采用注意力机制来优先处理重要区域。无人机视野中有大量图像区域需要处理，通过计算每个区域的权重DeepEKF可以集中注意力在关键点上，忽略背景杂波。最后是使用Siamese网络对目标外观进行打分。当运动学预测与视觉证据发生冲突时，模型会评估目标外观是否匹配，从而帮助纠正误判或丢失的情况。 把DeepEKF集成到多假设跟踪（MHT）框架中进行实测评估时，它展示了强大的性能。在目标运动不可预测或者帧间差异显著的边缘场景下，DeepEKF能够显著降低轨迹碎片率超过30%，同时提升跟踪准确率约25%。这意味着无人机在复杂战场环境下也能稳定地锁定目标。 DeepEKF并没有抛弃传统卡尔曼滤波数学严谨性，而是通过深度学习给它增添了自适应能力。这种结合使无人机在复杂战场中既快速又稳定地进行态势感知。洛克希德·马丁公司AI中心将这项技术推向实际应用领域。