Fast, Composable Rescue Mission Planning for UAVs using Metric Temporal Logic
University of Maryland（马里兰大学）
我们提出了一种混合的合成方法，用于多旋翼无人机（UAV）在时间关键的搜索和救援场景中的实时任务规划。从一个已知的环境，我们指定的任务使用度量时序逻辑（MTL），并使用混合动力学模型来捕捉各种模式的无人机操作。然后，我们通过利用沿途安全和时间约束的不变性质以及不同的模式（即，（无人机）。对于每个子任务，我们将MTL规范转化为线性约束，并使用混合线性规划（MILP）求解器解决所需路径的相关最优控制问题。通过组合各个最优子路径，递归地构造任务的完整路径。我们通过仿真表明，所得到的次优轨迹满足任务规范，所提出的方法导致显着降低计算复杂性的问题，使之有可能在实时实施。我们提出的方法，确保无人机在任何时候都是安全的，并保证有限的时间任务完成。它也表明，我们的方法很好地扩展了大量的无人机。
2020-09-28 cs.RO cs.SY eess.SY
A Collision-Free Path Planning Algorithm for Unmanned Aerial Vehicle Delivery
Nanyang Technological University（南洋理工大学）
本文提出一种基于A*算法的无碰撞路径规划方法，通过引入考虑等待时间的启发函数，解决动态环境中无人机送货的碰撞问题，并通过仿真验证了算法的有效性。
2018-05-09 cs.RO cs.SY eess.SY
Cooperative Aerial Robot Inspection Challenge: A Benchmark for Heterogeneous Multi-UAV Planning and Lessons Learned
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院）；Zhejiang University（浙江大学）；Department of Mechanical and Automation Engineering, Chinese University of Hong Kong（香港中文大学机械与自动化工程学系）
本研究提出面向异构多无人机运动规划的仿真基准CARIC，配套软件栈与多场景支持算法研发，依托两届赛事收集全球方案，分析顶尖队伍策略并指明未来研究方向。
2025-01-14 cs.RO cs.SY eess.SY
Co-design of Control and Planning for Multi-rotor UAVs with Signal Temporal Logic Specifications
University of California, Berkeley（加利福尼亚大学伯克利分校）
城市空中机动性（UAM），或多个有人和无人驾驶飞行器（UAV）在城市空域执行各种任务的场景，是一个日益突出的未来交通概念。具有复杂的空间，时间和反应需求的UAM任务可以使用信号时序逻辑（STL），一种行为规范语言简洁地表示。然而，STL规范的系统规划和控制是计算密集型的，通常导致规划方法不能保证动态可行性，或控制方法不能处理复杂的STL规范。在这里，我们提出了一种方法来共同设计的规划和控制，使一个给定的STL规范（可能在多个无人机）是满意的动态可行的轨迹，我们的控制器可以跟踪他们与有界的跟踪误差，规划占。针对无人机的非线性动力学特性，设计了跟踪控制器，并在轨迹满足一定运动学约束条件时，计算了该控制器的跟踪误差界。我们还增加了现有的多无人机STL为基础的轨迹生成器，以生成满足这些约束的轨迹。我们表明，这种协同设计允许的轨迹，满足给定的STL规范，也是动态可行的意义上，他们可以跟踪有界误差。通过多无人机任务的仿真验证了该方法的适用性。
2020-09-30 cs.MA cs.RO cs.SY
Search Planning of a UAV/UGV Team with Localization Uncertainty in a Subterranean Environment
West Virginia University（西弗吉尼亚大学）
我们提出了一个航路点规划算法的无人机（UAV），是与无人地面车辆（UGV）在地下环境中的搜索和救援任务。无人机和无人机进行合作，通过鱼眼相机、3D激光雷达、测距无线电和激光高度计的多传感器融合在无人机上进行无人机的定位。同样，UAV的轨迹规划在UGV上进行，UGV被假设具有环境的3D地图（例如，来自同时定位与地图构建）。规划算法的目标是满足任务的探索准则，同时通过评估潜在的探索路线的置信空间来减少无人机的定位误差。所提出的算法进行评估，在相关的仿真环境中，规划算法被证明是有效的，在减少无人机的定位误差。
2021-02-11 cs.RO
A Planning Framework for Persistent, Multi-UAV Coverage with Global Deconfliction
Carnegie Mellon University（卡内基梅隆大学）；Mitsubishi Heavy Industries, Ltd.（三菱重工业株式会社）
多机器人覆盖规划旨在为一队机器人确定无碰撞路径，使它们能够共同观察环境中的兴趣点。持续覆盖是传统覆盖的一种变体，其中环境中的覆盖水平随着时间的推移而衰减。因此，机器人必须不断地重新访问环境的部分以保持期望的覆盖水平。要在现实世界中实现这一点，我们需要解决许多子问题。虽然存在这些子问题的标准解决方案，但没有一个完整的框架，可以在实际环境中解决所有单个挑战。我们调整并结合这些解决方案，提出了一个规划框架，用于多个无人机（UAV）的持续覆盖。具体来说，我们运行一个连续循环的目标分配和全球性的去冲突，kinodynamic路径规划多无人机。我们在模拟和现实世界中评估我们的框架。特别是，我们证明了（i）我们的框架在资源充足的情况下表现出优雅的覆盖率，我们保持持久的覆盖率;如果资源不足（例如，对于给定大小的环境，无人机太少），覆盖水平衰减缓慢，（ii）与其他较弱的，更本地的碰撞检查计划相比，在我们的框架中，规划与全球去冲突会导致可忽略的更高的价格。（视频：https：//youtu.be/aqDs6Wymp5Q）
2019-10-16 cs.AI cs.RO cs.SY
Multi-UAV Coverage Planning with Limited Endurance in Disaster Environment
Technische Universität München（慕尼黑工业大学）；Tsinghua University（清华大学）；Avic Shenyang Aircraft Design And Research Institute（中国航空工业集团沈阳飞机设计研究所）
对于洪水、地震等场景，受灾面积大，救援时间紧。多无人机探测比单架无人机探测效率更高。现有的无人机探测工作被建模为覆盖路径规划（CPP）任务，以实现在存在障碍物的情况下对该区域的完全覆盖。但无人机续航能力有限，救援时间紧迫。因此，即使使用多架无人机也无法及时实现对灾区的完全覆盖。因此，在本文中，我们提出了一个多智能体的耐力有限CPP（MAEl-CPP）问题的基础上先验热图的灾区，这需要在有限的能量下探索更有价值的地区。此外，我们提出了一个路径规划算法的MAEl-CPP问题，通过排名可能的灾害地区根据其重要性，通过卫星或远程航空图像和完成路径规划的重要性水平。实验结果表明，我们提出的算法是有效的至少两倍，现有的方法在搜索效率。
2022-02-22 cs.MA cs.RO
Two-step Planning of Dynamic UAV Trajectories using Iterative $δ$-Spaces
University of Bonn（波恩大学）
无人机轨迹规划通常采用两步规划法，即将低维路径细化为动态轨迹。然而，由此产生的轨迹仅是局部最优的。另一方面，在高维状态空间中的直接规划生成全局最优解，但耗时，因此对于时间受限的应用程序是不可行的。为了解决这个问题，我们提出了$δ$ -Spaces，修剪的高维状态空间表示的轨迹细化。它不仅包含单个低维路径周围的区域，而且由多个接近最优路径的并集组成。因此，它不太容易出现局部最小值。此外，我们提出了一个随时算法使用$δ$ -空间的大小增加。我们将我们的方法与最先进的基于搜索的轨迹规划方法进行比较，并在2D和3D环境中对其进行评估，以生成二阶和三阶无人机轨迹。
2022-05-04 cs.RO
Adaptive Path Planning for UAV-based Multi-Resolution Semantic Segmentation
University of Bonn（波恩大学）
在本文中，我们解决的问题，自适应路径规划的准确语义分割的地形使用无人机（UAV）。由于无人机的高机动性、低成本和灵活部署，无人机用于地形监测和遥感的使用正迅速获得动力。然而，一个关键的挑战是规划飞行任务，以最大限度地提高在飞行时间有限的大环境中获得的数据的价值。为了解决这个问题，我们提出了一个在线规划算法，适应无人机的路径，以获得高分辨率的语义分割必要的地区的地形上的细节，因为他们在传入的图像中检测到。这使我们能够仅在需要时在低空进行近距离检查，而不会浪费精力以最大分辨率进行详尽的测绘。我们方法的一个关键特征是基于深度学习的架构的新精度模型，该模型捕捉了无人机高度和语义分割精度之间的关系。我们评估我们的方法在精准农业中的作物/杂草分割的应用，使用真实世界的现场数据。
2021-08-04 cs.AI cs.RO
Collaborative Planning with Concurrent Synchronization for Operationally Constrained UAV-UGV Teams
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；North Carolina State University（北卡罗来纳州立大学）；U.S. Army DEVCOM Army Research Laboratory (ARL)（美国陆军 DEVCOM 军事研究实验室 (ARL)）
本文提出CoPCS方法，通过集成异构图Transformer和Transformer解码器，实现无人机与地面车辆的同步并发协同规划，提升团队任务执行效率。
2026-03-06 cs.RO
Smart Power Supply for UAV Agility Enhancement Using Deep Neural Networks
Kent State University（肯特州立大学）
近年来，无人机（UAV）已被广泛部署在各种现实场景中，例如灾难救援和包裹递送。这些工作环境中的许多是非结构化的，具有不确定和动态的障碍。无人机碰撞事件时有发生。具有高敏捷性的无人机非常需要调整其运动以适应这些环境动态。然而，UAV的敏捷性受到其电池功率输出的限制;特别地，UAV的功率系统不能在运动规划中知道其实际功率需求，而该需求随着环境和UAV条件的变化而动态地改变。在运动规划中，很难准确和及时地将电力供应与电力需求对准。这种不匹配将导致无人机的电力供应不足，并导致延迟的运动调整，大大增加了与障碍物碰撞的风险，从而破坏了无人机的敏捷性。为了提高无人机的敏捷性，提出了一种新型的智能电源解决方案--敏捷性增强电源（AEPS），能够在正确的时间主动准备适量的电源，以支持具有增强敏捷性的运动规划。该方法在物理电源系统和无人机规划之间架起了一座桥梁。通过敏捷性增强的运动规划，可以提高无人机在复杂工作环境中的安全性。为了评估AEPS的有效性，任务的“社区安全巡逻任务”与意外的障碍，采用的电源是由燃料电池，电池和电容器的混合集成实现。结果表明，AEPS系统能够及时成功地为无人机提供电源，提高了任务成功率和系统安全性，缩短了任务持续时间，有效地提高了无人机的敏捷性。
2022-01-08 cs.RO
Informative Sensor Planning for a Single-Axis Gimbaled Camera on a Fixed-Wing UAV
Birla Institute of Technology and Science, Pilani（比拉理工科学与技术学院（皮拉尼））；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种面向固定翼无人机单轴云台的信息性非近视传感器规划框架，通过缩减扫描边界优先高置信区域，使信息增益较基线提升13%以上。
2024-07-06 cs.RO
Cooperative Multi-Agent Planning Framework for Fuel Constrained UAV-UGV Routing Problem
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）
本文针对燃料受限的UAV-UGV协作路径问题，提出一种两阶段序列多智能体规划框架，结合最小集合覆盖算法和E-VRPTW建模，快速生成高质量解决方案，并在30个场景中验证了其有效性。
2023-09-06 cs.RO
Active Informative Planning for UAV-based Weed Mapping using Discrete Gaussian Process Representations
Lincoln Centre for Autonomous Systems (L-CAS)（林肯自主系统中心）；Faculty of Aerospace Engineering, MAVLab（航空航天工程学院）；Delft University of Technology (TU Delft)（代尔夫特理工大学）
本文提出了一种基于离散高斯过程表示的UAV主动信息规划方法，用于提高杂草制图的精度和效率。
2026-01-19 cs.RO
Uav Route Planning For Maximum Target Coverage
Atilim University（阿蒂利姆大学）
无人机在军事和民用领域的应用越来越广泛。有效分配这些昂贵的飞行器的挑战之一是规划飞行路线以监视目标。在这项工作中，我们的目标是开发一种算法，产生路由计划的数量有限的无人机，以涵盖最大数量的目标考虑其飞行范围。通过修改最大最小蚂蚁系统（MMAS）算法设计了这个实际优化问题的解决方案。为了评估所提出的方法的成功，另一种方法，最近邻（NN）启发式的基础上，已经开发以及。结果表明，所提出的MMAS方法的成功，通过增加覆盖的目标的数量相比，基于NN启发式的解决方案。
2014-03-12 cs.NE cs.RO
View Planning and Navigation Algorithms for Autonomous Bridge Inspection with UAVs
Virginia Tech（弗吉尼亚理工学院）
研究了在箱形梁桥环境中使用无人机进行基础设施检测的问题。我们考虑的情况下，无人机需要全面检查箱形梁桥和定位沿桥面时，像GPS和光流的标准方法被拒绝。我们克服箱形梁桥的困难的方法包括创建本地导航例程，一个监督员和一个计划员。本地导航程序使用两个二维激光雷达进行梁和柱飞行。为了在本地导航程序之间切换，我们实现了一个管理器，它指示UAV何时能够在本地导航程序之间切换。最后，我们实现了一个规划器来计算沿着箱形梁桥的路径，这将使无人机的飞行时间最小化。与当地的导航例程，一个主管，和一个规划师，我们构建了一个系统，可以完全和自主检查箱梁桥时，标准方法是不可用的。
2019-10-03 cs.RO
$E^2Coop$: Energy Efficient and Cooperative Obstacle Detection and Avoidance for UAV Swarms
University of Otago（奥塔哥大学）
能量效率是无人机群避障轨迹规划的关键。本文提出了$E^2Coop$，一种将人工势场（APF）与基于粒子群规划（PSO）的航迹规划紧密耦合的无人机群避碰新方案。在$E^2Coop$中，群成员协同执行轨迹规划，以能量有效的方式避免碰撞。$E^2Coop$利用活动轮廓模型在图像处理中的优势进行轨迹规划。每个群体成员规划其轨迹上的环境场的轮廓，以节省能源，避免碰撞的障碍。处于彼此安全距离内的群成员在不同的轮廓上规划它们的轨迹，以避免彼此碰撞。仿真结果表明，与现有的两种方案相比，$E^2Coop$的能量节省率可达51%.
2021-05-08 cs.RO
FiReFly: Fair Distributed Receding Horizon Planning for Multiple UAVs
Oregon State University（俄勒冈州立大学）；Toyota Research Institute of North America（美国丰田研究院）
针对多机器人利益冲突下的资源公平使用问题，提出FiReFly算法，通过集成分布式公平运动规划器与安全控制器，在到达-规避任务中提升轨迹公平性和任务成功率，支持15架无人机实时运行、50架无人机需权衡运行时间与公平性。
2025-08-20 cs.RO
UAV-CodeAgents: Scalable UAV Mission Planning via Multi-Agent ReAct and Vision-Language Reasoning
Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所）
提出 UAV-CodeAgents 多智能体框架，结合 ReAct、VLM 像素指向与反应式思考循环实现无人机任务自主生成，并通过火灾检测场景验证其高效可靠。
2025-05-12 cs.AI cs.RO
Energy-aware Multi-UAV Coverage Mission Planning with Optimal Speed of Flight
Czech Technical University in Prague（布拉格捷克技术大学）
本文提出一种多无人机覆盖路径规划方法，通过最优飞行速度和精确能耗估计最小化能耗，在计算时间、能耗效率上优于现有方法，并经双无人机实验验证。
2024-02-16 cs.RO
SphereMap: Dynamic Multi-Layer Graph Structure for Rapid Safety-Aware UAV Planning
Czech Technical University in Prague（捷克布拉格技术大学）
提出了一种灵活的拓扑表示方法，该方法由两层图形结构组成，通过在无人机（UAV）上连续填充相交球体的占用图的自由空间来实现。大多数最先进的规划方法都是在使无人机与障碍物保持预定义距离的同时找到最短路径。对拟议结构的规划仅在必要时达到该预定义的距离，否则保持更安全的距离，同时也比其他最先进的方法快几个数量级。此外，我们演示了如何将这种图形表示转换为一个轻量级的可共享的拓扑体积地图的环境，这使得分散的多机器人合作。所提出的方法成功地验证了在几公里的真实地下环境中，如洞穴，破坏的工业建筑，并在DARPA SubT挑战赛的最后一个事件，其目的是模仿真实的搜索和救援任务的条件尽可能接近的苛刻和复杂的设置，我们的方法实现了\nth{2}的地方在虚拟的轨道。
2023-02-03 cs.RO
Adaptive Planning Framework for UAV-Based Surface Inspection in Partially Unknown Indoor Environments
Carnegie Mellon University（卡内基梅隆大学）
针对部分未知室内环境中基于无人机的表面检测因参考地图过时导致效率低的问题，提出整合全局覆盖规划与局部反应式自适应的框架，实验证明其可提升检测效率与覆盖率。
2025-04-12 cs.RO
How to Coordinate UAVs and UGVs for Efficient Mission Planning? Optimizing Energy-Constrained Cooperative Routing with a DRL Framework
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）
提出一种可扩展的DRL框架，利用编码器-解码器Transformer架构和单次出动智能体切换机制，解决UAV-UGV多智能体能量受限协同路由问题，显著提升了任务规划的求解质量与运行效率。
2025-04-29 cs.RO
AG-CVG: Coverage Planning with a Mobile Recharging UGV and an Energy-Constrained UAV
Woods Hole Oceanographic Institution (WHOI)（伍兹霍尔海洋研究所）；University of Maryland（马里兰大学）；University of Southern California（南加利福尼亚大学）
针对能量受限UAV与移动充电UGV的覆盖路径规划问题，提出启发式方法，通过路径聚类和图匹配优化会合充电，平均降低11.33%会合开销，并完成实物验证。
2024-03-15 cs.RO
OptiRoute: A Heuristic-assisted Deep Reinforcement Learning Framework for UAV-UGV Collaborative Route Planning
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出OptiRoute框架，利用强化学习优化无人机-无人地面车协同路径中的充电地点选择，并结合约束规划生成路径，实验表明其优于遗传算法基线，可减少任务时间、空闲时间与能耗。
2023-09-18 cs.RO
Optimizing Fuel-Constrained UAV-UGV Routes for Large Scale Coverage: Bilevel Planning in Heterogeneous Multi-Agent Systems
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文针对燃料受限的UAV-UGV异构多智能体系统大规模覆盖路径规划问题，提出多种启发式方法，结合最小集合覆盖、旅行商问题和带时间窗的车辆路径规划公式，实现可行且高效的协同路径求解。
2023-07-07 cs.RO
NEUSIS: A Compositional Neuro-Symbolic Framework for Autonomous Perception, Reasoning, and Planning in Complex UAV Search Missions
Faculty of Information Technology, Monash University（莫纳什大学信息技术学院）
针对复杂环境下无人机自主搜索任务的感知决策难题，提出组合式神经符号框架NEUSIS，整合多模块实现高效搜索，实验验证其性能优于现有最优模型。
2024-09-16 cs.AI cs.CV cs.RO
Indoor Path Planning for Multiple Unmanned Aerial Vehicles via Curriculum Learning
Yonsei University（延世大学）；Korea Aerospace Research Institute（韩国航空宇宙研究院）
采用多智能体强化学习对两台无人机进行室内路径规划。每架无人机执行的任务是在有障碍物的环境中尽可能快地从随机配对的初始位置移动到目标位置。为了减少训练时间和防止无人机的损坏，学习是通过模拟进行的。考虑到多智能体环境的非平稳特性，其中最优行为基于其他智能体的动作而变化，其他UAV的动作也被包括在每个UAV的状态空间中。课程学习分两个阶段进行，以提高学习效率。学习策略的目标率为89.0%，其他学习策略的目标率分别为73.6%和79.9%。
2022-09-05 cs.RO
Real-Time Maneuver Planning for Fixed-Wing UAVs in Unsteady Flows Using a GPU-Accelerated Vortex Particle Model
本文提出一种基于GPU加速涡粒子模型的实时规划与控制方法，通过采样策略优化推理非定常气动效应，硬件实验证明其能提升失速后固定翼栖停机动在扰动流中的性能。
2026-09-17 cs.RO
HEPP: Hyper-efficient Perception and Planning for High-speed Obstacle Avoidance of UAVs
Department of Mechanical Engineering, The University of Hong Kong（机械工程系，香港大学）；Northwestern Polytechnical University（西北工业大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出HEPP系统，通过增量建图、拓扑路径搜索和自适应轨迹生成，实现无人机在杂乱环境中高速避障，耗时显著降低。
2025-05-23 cs.RO
Prediction-Informed Landing Window Planning for UAV Landing on USV in High Sea States
针对高海况下无人机在无人水面艇自主着陆难的问题，提出预测辅助分层控制框架，通过预训练模型显式预测USV姿态优化着陆窗口选择，经虚实验证实验证实其可行性。
2026-10-12 cs.LG cs.RO
Autonomous Planning for Multiple Aerial Cinematographers
University of Seville（塞维利亚大学）
提出了一种多无人机户外活动自主媒体制作规划算法。给定由媒体导演指定的拍摄任务，我们制定了一个优化问题，以最大限度地提高拍摄时间考虑电池的限制。由于我们推测该问题是NP难的，我们考虑了离散化版本，并提出了一种基于图的算法，可以找到一个最优的解决方案的离散问题的单无人机在多项式时间。然后，一个贪婪的策略，应用到解决问题的顺序多无人机。我们证明，我们的算法是有效的小团队（3-5无人机），其性能接近最佳。我们展示了我们的系统在现场实验进行实际的媒体生产在户外场景中有多个无人机。
2021-04-08 cs.RO
Collaborative Planning for UAV-UGV Teams under Operational Constraints via Masked Error-bounded Neuro-Symbolic Diffusion
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；U.S. Army DEVCOM Army Research Laboratory（美国陆军DEVCOM陆军研究实验室）
本文提出MEND模型，将协作规划建模为条件掩码生成过程，通过神经符号范式与误差有界推理调度提升无人机-无人车团队在操作约束下的协作规划性能，经多场景实验验证其有效性。
2026-10-14 cs.RO
Autonomous UAV Route Planning for Coverage Maximization in Environmental Monitoring: A Systematic Literature Review
该文献综述聚焦无人机环境监测的自主路径规划，遵循PRISMA 2020框架搜索相关研究。介绍筛选流程与初步分析结果，指出研究集中在特定方面，多依赖模拟验证，近期对强化学习等兴趣上升，凸显研究活跃但分散，需结构化综合以明确技术与差距。
2026-07-16 cs.AI cs.RO
GO-FEAP: Global Optimal UAV Planner Using Frontier-Omission-Aware Exploration and Altitude-Stratified Planning
Shenzhen University（深圳大学）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳））
本文提出 GO-FEAP 无人机规划器，通过前沿遗漏感知模块综合评估前沿重要性，并结合高度分层策略解决三维空间探索问题，实现了优于现有方法的探索完整性。
2023-10-24 cs.RO
Perception-aware Tag Placement Planning for Robust Localization of UAVs in Indoor Construction Environments
University of Toronto（多伦多大学）
基于标签的视觉惯性定位是一种轻量级的方法，用于实现低成本无人机（UAV）在室内施工环境中的自主数据汇集任务。然而，找到最佳标签配置（即，数量、规模和位置）仍然具有挑战性。本文提出了一种基于感知遗传算法的标签布局规划器（PGA-TaPP），以确定最佳的标签配置使用4D-BIM，考虑项目进度，安全要求，和无人机的本地化。所提出的方法提供了一个4D的标签放置计划，通过最大限度地提高在用户指定的感兴趣区域（ROI）的本地化，同时限制安装成本。可定位性使用Fisher信息矩阵（Fisher information matrix）进行量化，并封装在可导航的网格中。实验结果表明，我们的方法在寻找一个最佳的4D标签放置计划的鲁棒定位的无人机在建设中的室内场地的有效性。
2022-10-27 cs.RO
UGV-Conditioned Multi-UAV Informative Planning on a Shared Exposure Belief
MAVLab, Faculty of Aerospace Engineering, TU Delft（马文实验室，航空航天工程学院，代尔夫特理工大学）
提出一种协调无人机编队降低地面车辆在未知威胁区导航风险的方法，通过共享暴露信念引导感知并减少冗余覆盖，仿真显示累积暴露降低38%，冗余覆盖从38.8%降至3.7%。
2026-10-22 cs.RO
Future-Aware Flow Planning for Safe UAV Target Following
Stockholm University（斯德哥尔摩大学）；Peking University（北京大学）；Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）；Guangdong Provincial/Zhuhai Key Laboratory of IRADS（广东省/珠海市智能机器人先进感知与决策系统重点实验室）
提出未来感知流规划框架，利用预测目标未来生成安全轨迹，并嵌入风险修复，在基准测试中改善安全-跟踪权衡，实现零碰撞率与高安全跟踪时间。
2026-09-22 cs.RO
Planning and Control for a Dynamic Morphing-Wing UAV Using a Vortex Particle Model
The Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）
本文提出涡粒子模型及基于模型的控制器，用于处理动态变翼无人机在剧烈机动中的非定常空气动力学问题，实验证明其能提升固定翼和动态翼栖息性能。
2023-08-03 cs.RO
A Safer Vision-based Autonomous Planning System for Quadrotor UAVs with Dynamic Obstacle Trajectory Prediction and Its Application with LLMs
Wuhan University（武汉大学）；ETH Zürich（苏黎世联邦理工学院）；WFLS（武汉外国语学校）；HUST（华中科技大学）
本文提出一种基于视觉的无人机自主规划系统，结合动态障碍物跟踪与轨迹预测，利用B样条搜索优化轨迹，在仿真和真实环境中验证了实时避障的可靠性，并探索了与LLMs的集成。
2023-12-23 cs.AI cs.CV cs.RO
Integrating Symbolic RL Planning into a BDI-based Autonomous UAV Framework: System Integration and SIL Validation
本研究提出AMAD-SRL框架，整合符号RL与BDI方法，通过SIL验证提升无人机任务效率75%。
2026-01-11 cs.AI cs.RO
Chat with UAV -- Human-UAV Interaction Based on Large Language Models
本文提出基于大语言模型的双智能体HUI框架，通过任务规划和执行智能体提升无人机交互的个性化和灵活性。
2025-12-09 cs.AI cs.RO
MultiUAV-Plat: An LLM-Oriented Platform, Benchmark and Framework for Multi-UAV Collaborative Task Planning
National Key Laboratory of Information Systems Engineering, National University of Defense Technology（国防科技大学信息系统工程国家重点实验室）
提出MultiUAV-Plat平台与基准测试，以及Agent4Drone框架，通过LLM驱动的工具交互实现多无人机协同任务规划，在任务通过率等指标上显著优于基线方法。
2026-07-01 cs.AI cs.MA cs.RO
Towards Robust Multi-UAV Collaboration: MARL with Noise-Resilient Communication and Attention Mechanisms
College of Software Engineering, Jilin University（吉林大学软件学院）；College of Instrumentation and Electrical Engineering, Jilin University（吉林大学仪器科学与电气工程学院）；School of Communication Engineering, Jilin University（吉林大学通信工程学院）；School of Electrical Engineering, China University of Mining and Technology（中国矿业大学电气工程学院）；School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）
针对噪声环境下多无人机协作通信与决策难题，提出基于COMA算法并融合注意力机制通信协议的MARL框架，显著提升了3D空间路径规划的效率与鲁棒性，实现78%的熵减提升。
2025-03-04 cs.AI cs.MA cs.RO
A Wind-Aware Path Planning Method for UAV-Asisted Bridge Inspection
针对无人机桥梁检测未考虑风场条件的问题，提出基于模拟退火算法的风场感知路径规划方法，构建精确数学模型并优化参数，相比传统算法成本降低30.05%，在易风环境中更具实用性。
2024-03-22 cs.RO cs.SY eess.SY
3D Trajectory Planning for UAV-based Search Missions: An Integrated Assessment and Search Planning Approach
KIOS Research and Innovation Centre of Excellence（KIOS卓越研究与创新中心）；University of Cyprus（塞浦路斯大学）
在自然和人为灾害期间，在具有挑战性和复杂的环境中有效规划和执行搜索任务的能力至关重要。在许多紧急情况下，障碍物之间的精确导航和围绕3D结构的高效搜索对于寻找幸存者至关重要。在这项工作中，我们提出了一个综合的评估和搜索规划方法，它允许一个自主的无人机（无人机）代理计划和执行无碰撞搜索轨迹在3D环境中。更具体地说，拟议的搜索规划框架旨在整合和自动化前两个阶段（即，评估阶段和搜索阶段）。在第一阶段，称为评估规划，我们的目标是找到一个高层次的评估计划，无人机代理可以执行，以访问一组兴趣点。该阶段生成的计划引导UAV飞越感兴趣的物体，从而提供对当前情况的第一次评估。在第二阶段，称为搜索规划，UAV轨迹被进一步微调以允许UAV在3D中搜索（即，在所有面）幸存者感兴趣的对象。所提出的方法的性能证明通过广泛的仿真分析。
2023-02-24 cs.RO cs.SY eess.SY
Robust UAV Path Planning with Obstacle Avoidance for Emergency Rescue
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Southeast University（东南大学）；China University of Mining and Technology（中国矿业大学）
针对复杂三维环境下无人机避障路径规划的安全需求，本文构建含障碍物与禁飞区的三维场景，提出融合模拟退火的改进人工势场算法APF-SA，可跳出局部最优实现全局最优的鲁棒路径规划，仿真验证了其有效性。
2025-01-16 cs.RO cs.SY eess.SY
UAV Trajectory Planning with Path Processing
New Technologies for the Information Society Research Center（信息技术新技术研究中心）；Faculty of Applied Sciences（应用科学学院）；University of West Bohemia（西波希米亚大学）
该研究针对无人机轨迹规划的最优控制问题，提出结合Lazy Theta*路径、约束与无人机模型生成初始猜测的方法，经伪谱配点法验证，合适初始猜测可优化规划轨迹，为后续研究提供方向。
2024-07-01 cs.RO cs.SY eess.SY
Trajectory Prediction & Path Planning for an Object Intercepting UAV with a Mounted Depth Camera
National University of Singapore（新加坡国立大学）
介绍了一种基于ROS C++的无人机目标拦截控制软件体系结构。现有的轨迹预测工作主要集中在使用像运动捕捉室这样的非车载工具来拦截投掷的物体。本研究设计的无人机架构是完全在板上能够与深度相机和点云处理的使用对象拦截。该架构使用迭代轨迹预测算法，用于乒乓球等非推进物体。在Gazebo中讨论、评估和仿真了各种目标拦截的路径规划方法及其相应的场景。成功的模拟验证了使用所提出的架构的无人机拦截对象的机载自主性的潜力。
2021-11-17 cs.RO cs.SY eess.SY
Path Planning for Multi-Copter UAV Formation Employing a Generalized Particle Swarm Optimization
Naval Academy, Vietnam（越南海军学院）
针对多旋翼无人机编队巡检的路径规划问题，提出GEPSO算法规划质心避障路径，并通过路径生成方案保持各机编队位置，仿真与实验验证了可行性。
2025-01-10 cs.RO cs.SY eess.SY
Optimal Control-Based UAV Path Planning with Dynamically-Constrained TSP with Neighborhoods
KAIST（韩国科学技术院）
本文提出一种基于采样 roadmap 算法的无人机路径规划方法，通过最优控制生成路径以减少计算时间并提升解的质量，解决动态约束 TSP 带邻居问题。
2016-12-18 cs.RO cs.SY eess.SY
Unscented Optimal Control for 3D Coverage Planning with an Autonomous UAV Agent
KIOS Research and Innovation Centre of Excellence (KIOS CoE)（KIOS卓越研究与创新中心（KIOS CoE））；University of Cyprus（塞浦路斯大学）
提出一种概率鲁棒控制器，将3D覆盖规划表述为带逻辑约束的最优控制问题，通过Unscented变换实现鲁棒的开环覆盖计划设计。
2023-06-30 cs.RO cs.SY eess.SY
Connectivity-Aware UAV Path Planning with Aerial Coverage Maps
Department of ECE, Hong Kong University of Science and Technology, Hong Kong（香港科技大学电子工程系）；Department of EIE, The Hong Kong Polytechnic University, Hong Kong（香港理工大学电子工程系）
本文提出了一种利用UAV可控移动来克服地面用户优化的蜂窝网络在空中覆盖不连续问题的连接意识UAV路径规划方法，通过引入两个新指标量化UAV路径的蜂窝连接质量，并利用空中覆盖图提供准确的散射覆盖孔位置，将UAV路径规划问题转化为在连接约束下寻找最短路径的问题。
2019-06-01 cs.NI cs.RO cs.SY
Path Planning for a UAV Swarm Using Formation Teaching-Learning-Based Optimization
Faculty of Missile and Gunship, Naval Academy（海军学院导弹与舰载机学院）；Undergraduate Faculty, Fulbright University（富布赖特大学本科学院）
针对无人机集群作业时保持编队的路径规划问题，提出结合变异、精英策略等机制的增强型教-学优化算法，可生成有效路径支撑三角编队巡检任务。
2025-01-16 cs.RO cs.SY eess.SY
