当追踪者和目标都在低空高速飞行，，传统的视觉追踪算法还能跟得住吗
？？

近日，，来自蓝海高科、、、上海交通大学
、、香港科技大学（广州）、、、中山大学
、
、中国科学院信息工程研究所的联合研究团队发布了一项硬核工作——UAV-Anti-UAV。。这是业界首个针对“空对空”（Air-to-Air）场景的百万级多模态反无人机视觉追踪基准，，，并提出了基于Mamba的强力基线MambaSTS。。MambaSTS在UAV-Anti-UAV基准的全部5个指标上均取得最佳的性能，，，这是蓝海高科在多模态大模型方面的又一次技术突破。。。。面对双重动态干扰，，现有的SOTA表现如何？？？？让我们一探究竟
！！！！

 01引言：从“上帝视角”到“空中缠斗”

在低空经济蓬勃发展的今天，，无人机（UAV）的安全管控已成为全球关注的焦点。。反无人机（Anti-UAV）技术应运而生。。
。。

然而
，，，回顾现有的视觉追踪研究，
，，我们发现了一个明显的任务盲区（Gap）：

l 传统UAVTracking（空对地）
：无人机处于“上帝视角”拍摄地面的车辆或行人，，，，虽然相机在动，，但目标相对地面运动平稳。。。
。

l 现有Anti-UAV（地对空）
：地面固定的云台/相机仰拍空中的无人机
，，观察者几乎静止，，缺乏运动带来的剧烈抖动

如果是一架无人机在高速飞行中，，，，去追踪另一架试图逃逸的敌对无人机呢？？？这种场景就像是电影里的空中缠斗（Dogfight）

图1：直观对比了Task1(UAVTracking)、、、、Task2(Anti-UAV)和本文提出的Task3(UAV-Anti-UAV)。。
。
。Task3中Observer和Target都在低空高速运动。。

这就是本文提出的UAV-Anti-UAV（空对空）任务。。。这是一个双向动态系统：追踪者和目标都在低空高速运动。。
。。这带来了前所未有的挑战
：严重的双重动态干扰（Dual-dynamicdisturbances）、、极速的尺度变化、、、
、强烈的运动模糊以及频繁的视角切换。。。

02数据集：首个百万级、、、多模态、
、、全场景基准

为了攻克这一难题，，，研究团队构建了首个大规模基准数据集UAV-Anti-UAVBenchmark。。。。这不只是一个数据集
，，更是一个低空安全的标准测试床。
。。

数据集由什么构成
？
？

l 规模庞大：包含1,810个视频序列，，，，总帧数高达105万帧，
，，，总时长近9.85小时。。

l 机型丰富：涵盖5大类目标，
，
，
，包括固定翼、、
、、多旋翼、
、、垂直起降（VTOL）、、、第一人称视角（FPV）无人机和无人直升机
。
。。

l 多模态标注：不仅有精细的边界框（BoundingBox）
，，，，还提供了自然语言描述（LanguagePrompts），
，
，支持视觉-语言追踪研究。。
。

l 细粒度属性
：标注了15种极具挑战的属性，
，，，如快速运动（FM）、、、、光照变化（IV）、、、、相似干扰物（SD）等。。。。

图2：数据集中包含五种不同类型的无人机目标（固定翼
、、FPV
、、、多旋翼
、、
、垂直起降、、无人直升机）以及对应的语言描述。。

到底有多难？？？

相比于现有的数据集
，，，UAV-Anti-UAV是“地狱难度”。。

l 相对速度：该数据集的平均相对速度高达0.79
，，，，远超现有的UAV123（0.46）和Anti-UAV（0.72）等数据集
。。。。

l 目标尺寸
：包含大量微小目标（SmallObject）
，，，且由于距离变化，，尺度变化（ScaleVariation）极其剧烈
。。。
。

图3：硬核数据证明该数据集在运动强度上的独特性
。。。

03方法：MambaSTS——时空语义的完美融合

面对如此高难度的任务，，，，传统的Transformer由于计算复杂度高，，
，
，难以处理超长序列；而普通的CNN又缺乏全局感知能力。
。为此，
，，作者提出了新基线：MambaSTS。。

这是一个集成了空间（Spatial）
、、时间（Temporal）、
、、语义（Semantic）学习的统一框架。。。。其核心逻辑在于：利用Mamba（状态空间模型）的线性复杂度优势来建立视频级的长期上下文。。。。

图4
：模型主架构图，，展示了多模态输入（图像+文本）
、、、、STSMamba模块以及层级化的特征提取过程。
。

核心创新点解读：

混合架构(HybridArchitecture)：

1. 视觉端：利用分层视觉Transformer(HiViT)提取多尺度特征，
，，捕捉空间细节。。。

2. 语言端：利用预训练的LanguageMamba提取语义特征，，，，引入文本先验，，，帮助模型在模糊中“认出”目标。。

时间Token传播(TemporalTokenPropagation)
：

这是本文的“杀手锏”。。模型维护一个时间Token
，
，像接力棒一样在帧与帧之间传递
。。
。。

利用Mamba的选择性扫描机制，，，将历史帧中目标的轨迹演变和外观变化压缩进这个Token中。。。这仿佛让模型拥有了“视频记忆”，，即便目标被遮挡或模糊，
，，
，也能基于记忆快速找回。。。

单向扫描机制(UnidirectionalScanning)：

不同于处理静态图像的VisionMamba(Vim)使用双向扫描，，，，MambaSTS针对视频追踪的因果特性（即当前状态只取决于过去），，，，改进为单向扫描，，更符合实时追踪逻辑
。
。

04实验：50个追踪器大乱斗，，，谁是王者？？？

作者对50个现代深度追踪算法进行了全面评测，，涵盖了CNN、、、Transformer、、、、Mamba以及多模态算法（如OSTrack,MixFormer,MambaTrack,CiteTracker等）。。。。

总体战况

l MambaSTS遥遥领先：在所有指标上均取得第一，
，
，，AUC达到0.437，，，，mACC达到0.443，
，比第二名高出6.6个百分点。。
。

l 任务难度极大：即便是SOTA的MambaSTS，，
，成功率也仅为40%出头
，，，而所有追踪器的平均AUC仅为0.30左右。
。这说明UAV-Anti-UAV领域仍是一片蓝海，，，
，挑战巨大
！！！！

图5
：AUC、、、、Precision等指标的曲线图，，，，MambaSTS的曲线（最上方）直观体现了其优势。。。

图6：50个追踪器的mACC排名散点图，，MambaSTS位于右上角，，，，大幅领先。。。
。

属性分析：哪些场景最难搞？？？
？

通过对15个属性的细分测试，，，研究发现
：

l MambaSTS的强项：在快速运动(FM)、
、运动模糊(MB)、
、小物体(SO)等属性上表现稳健，，得益于其强大的时序建模能力。。。

l 共同的弱点：在光照变化(IV)和全遮挡(FO)场景下，，所有模型（包括MambaSTS）都表现挣扎，，成功率低于0.15。。。这指明了未来的优化方向。。

图7：具有代表性的属性子图（如FastMotion,MotionBlur,FullOcclusion）
。。。

泛化能力验证

除了在自家数据集上表现出色，，MambaSTS在传统的UAVTracking数据集（如UAV123,VisDrone）和地面Anti-UAV数据集上，，，同样取得了SOTA性能。。这证明了该架构并非“过拟合”，，而是真正掌握了时空特征的精髓。。

05总结与展望

UAV-Anti-UAV任务的提出，
，，，标志着低空安全研究向实战化迈出了重要一步。
。

l 新任务
：填补了空对空动态追踪的空白
。。。

l 新数据：百万级规模，，，多模态标注，
，
，，为社区提供了标准测试床。。。。

l 新基线：MambaSTS证明了状态空间模型在长序列动态追踪中的巨大潜力
。。。

虽然MambaSTS表现出色
，，
，但距离解决全天候
、
、
、
、全自主的空中拦截仍有距离（例如缺乏红外/LiDAR数据，，
，且目前为离线训练）。。挑战已经摆在面前，
，，各位开发者，，，你们准备好迎接“空战”了吗？？

��开源地址
：

l 参考论文：ChunhuiZhang,LiLiu,ZhipengZhang,YongWang,HaoWen,XiZhou,ShimingGe,YanfengWang.“HowFarareModernTrackersfromUAV-Anti-UAV?AMillion-ScaleBenchmarkandNewBaseline”,arXiv,2025.

立即下载：

https://arxiv.org/abs/2512.07385