Recent Advancements in Deep Learning Applications and Methods for Autonomous Navigation: A Comprehensive Review
University of Tehran（德黑兰大学）
本文全面综述了自主导航中的端到端深度学习框架，涵盖障碍物检测、路径规划等核心功能，评估了现有方法的实现与挑战，并探讨了未来发展方向。
2023-05-23 cs.AI cs.RO cs.SY
Motion Primitives Based Kinodynamic RRT for Autonomous Vehicle Navigation in Complex Environments
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在这项工作中，我们已经实现了一个SLAM辅助导航模块的一个真正的自主车辆与未知的动态。导航目标是沿着无碰撞轨迹到达期望的目标配置，同时遵守系统的动态特性。具体来说，我们使用基于LiDAR的Hector SLAM来构建环境地图，检测障碍物，并跟踪车辆在通过各种状态时与轨迹的一致性。对于运动规划，我们使用快速探索随机树（RRT）的一组生成的运动基元搜索动态可行的轨迹序列和无碰撞路径的目标。我们展示了复杂的机动，如平行停车，垂直停车，并在一个受约束的环境中使用所提出的方法由真实的车辆倒车运动。
2022-10-21 cs.RO
Methods for Collision-Free Navigation of Multiple Mobile Robots in Unknown Cluttered Environments
自主车辆的导航和引导是机器人学的一个基本问题，近几十年来吸引了大量的研究。这份报告主要涉及可证明的碰撞避免多个自主车辆在未知的杂乱环境中运行，使用反应分散导航法，障碍物信息由一些传感器系统提供。最近，基于模型预测控制的导航系统的鲁棒和分散的变体已被应用于车辆导航问题。属性，如可证明的碰撞避免下的干扰和可证明的收敛到一个目标已被证明;然而，这些往往需要显着的计算和通信能力，不考虑传感器的约束，使实时使用有些困难。似乎还有机会在易处理性、最优性和鲁棒性之间进行更好的权衡。本文的主要工作如下：第一，将鲁棒模型预测控制概念与基于局部路径规划的反应式导航策略相结合，分别应用于具有加速度约束和扰动的完整和单一车辆模型;第二步，将模型预测控制类型的方法扩展到关于障碍物的信息仅限于离散射线的情况，基于传感器模型，可证明安全，收敛边界以下，可以显示;第三，新的约束条件的发展，允许分散协调多个车辆使用一个强大的模型预测控制型方法，其中一个单一的通信交换使用每个控制更新，车辆被允许同时执行规划，并避免一致性目标。
2014-01-27 cs.RO math.OC
Autonomous Unmanned Aerial Vehicle Navigation using Reinforcement Learning: A Systematic Review
Western University（韦仕敦大学）
在不同的应用中，例如包裹递送、交通监控、搜索和救援行动以及军事战斗中，对使用无人驾驶飞行器（UAV）（被称为无人机）的需求越来越大。在所有这些应用中，无人机都用于自主导航环境-无需人工干预，执行特定任务并避开障碍物。无人机自主导航通常使用强化学习（RL）来实现，其中代理作为某个领域的专家来导航环境，同时避开障碍物。了解导航环境和算法的局限性在选择合适的RL算法有效地解决导航问题中起着至关重要的作用。因此，本研究首先确定了主要的无人机导航任务，并讨论了导航框架和仿真软件。然后，根据无人机导航问题的环境、算法特点、能力和应用，对强化学习算法进行了分类和讨论，为实践者和研究者选择适合无人机导航应用的强化学习算法提供参考。此外，已确定的差距和机会将推动无人机导航研究。
2022-08-25 cs.AI cs.RO
AINS: Affordable Indoor Navigation Solution via Line Color Identification Using Mono-Camera for Autonomous Vehicles
Sukkur IBA University（苏库尔IBA大学）；IBA Community College, Naushahro Feroze（IBA社区学院（瑙谢罗费罗兹））；University of Genova（热那亚大学）；Kathir College of Engineering（卡蒂尔工程学院）
针对室内GPS精度低且现有方案部署成本高的问题，提出基于单目相机的低成本室内导航方法AINS，通过颜色识别路径，实验证明其误差更小、耗时更短。
2024-02-07 cs.CV cs.RO
NavigScene: Bridging Local Perception and Global Navigation for Beyond-Visual-Range Autonomous Driving
Center for Research in Computer Vision, University of Central Florida（计算机视觉研究中心，中央佛罗里达大学）
提出辅助导航数据集 NavigScene 及三种融合全局导航信息的范式，通过增强视觉语言模型的超视距推理与泛化能力，显著提升自动驾驶在感知、预测、规划和问答任务上的性能。
2025-07-07 cs.CV cs.LG cs.MM
Quantum Artificial Intelligence for Secure Autonomous Vehicle Navigation: An Architectural Proposal
University of Rhode Island（罗德岛大学）；Carleton University（卡尔顿大学）
本文提出一种基于量子人工智能的自动驾驶导航架构，利用量子神经网络融合多模态传感器数据，通过Nav-Q强化学习优化导航策略，并采用后量子密码保障通信安全。
2025-06-19 cs.AI cs.ET cs.RO
Spiking Neural Network Actor-Critic Proximal Policy Optimization Control for Autonomous UAV Navigation Through Constrained Openings in Civil Infrastructure and Buildings
Alma Mater Europaea University（欧洲阿尔马马特大学）；AGH University of Krakow（克拉科夫AGH科技大学）
本文提出基于脉冲神经网络的近端策略优化算法，用于无人机在受限环境中自主导航，通过Actor-Critic与高斯策略结合，实现63.77%成功率并后期超90%。
2026-09-22 cs.AI cs.RO
Robust 4D Radar-aided Inertial Navigation for Aerial Vehicles
Meituan UAV（美团无人机）；University of Delaware（特拉华大学）
针对无人机常用传感器在复杂环境失效的问题，提出基于ESKF的4D雷达-惯性紧耦合导航方法，结合点到分布扫描匹配与关键帧先验地图匹配，经实验验证精度和鲁棒性优于现有方法。
2025-02-21 cs.RO
Navigation of a Self-Driving Vehicle Using One Fiducial Marker
York University（约克大学）
导航只使用一个标记，其中包含四个人工功能，是一个具有挑战性的任务，因为相机姿态估计只使用四个共面点遭受旋转模糊问题，在现实世界中的应用。本文提出了一种基于视觉的导航框架，自动驾驶车辆配备了多个摄像头和一个车轮里程表。一个多摄像机设置的摄像机集群，具有360度的视野，使我们的框架只需要一个平面标记。提出了一种基于卡尔曼滤波的多摄像机与车轮测距融合方法。在此基础上，提出了一种利用卡尔曼滤波器的预测值作为附加信息来解决旋转模糊问题的算法。最后给出了横、纵向控制器。实验结果表明了该理论的有效性。
2021-08-22 cs.RO eess.IV
Racing With ROS 2 A Navigation System for an Autonomous Formula Student Race Car
Queensland University of Technology（昆士兰科技大学）
本文提出基于 Robot Operating System 2 导航栈的开源方案，解决自动驾驶大学生方程式赛车高速导航挑战，通过对比现成库与定制程序降低准入门槛并作为教程。
2023-11-24 cs.CV cs.RO
Quadrotor Formation Flying Resilient to Abrupt Vehicle Failures via a Fluid Flow Navigation Function
University of Michigan（密歇根大学）；University of Arizona（亚利桑那大学）
本文开发和实验评估四旋翼编队飞行的导航功能，是弹性的突然四旋翼故障和其他障碍。导航功能基于将健康的四旋翼建模为理想流体流中的粒子。我们提供了三个关键的贡献：（一）遏制排除模式（CEM）的安全定理和证明，保证安全，并正式规定了四旋翼编队之间的最小安全距离，（二）一个实时的，计算效率高的CEM导航算法，（三）仿真和实验算法验证。首先使用六个虚拟四旋翼团队进行模拟，以通过动态滑动速度演示速度跟踪，保持足够的代理间距离，并实时操作。在室内运动捕捉飞行设施中进行了由两个定制四旋翼组成的团队的飞行测试，成功验证了导航算法可以在保证安全的同时处理非平凡的有界跟踪误差。
2022-03-03 cs.RO
Neuromodulated Patience for Robot and Self-Driving Vehicle Navigation
University of California, Irvine（加州大学欧文分校）
机器人和自动驾驶汽车在现实环境中导航时面临着许多挑战。在动态环境中成功导航需要对子任务进行优先级排序并监控资源。动物也受到类似的限制。研究表明，神经调节剂5-羟色胺调节动物的冲动和耐心。在本论文中，我们的灵感来自于能量系统，并将其应用到机器人导航的任务。在一组户外实验中，我们展示了改变耐心水平如何影响机器人搜索所需位置的时间。为了在GPS受损的环境中导航，我们引入了一个深度强化学习范例，在这个范例中，机器人学会了跟随人行道。这可以进一步调节平滑的长路线和粗糙的较短路线之间的折衷。使用耐心作为参数可能对时间压力下的自治系统有益。
2019-09-14 cs.AI 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
Double Critic Deep Reinforcement Learning for Mapless 3D Navigation of Unmanned Aerial Vehicles
Technological University of Uruguay（乌拉圭理工大学）；Federal University of Rio Grande（里奥格兰德联邦大学）；Federal University of Santa Maria（圣玛丽亚联邦大学）
提出了一种基于深度强化学习的无人机三维无地图导航系统。而不是使用基于图像的传感方法，我们提出了一个简单的学习系统，只使用一些稀疏的距离传感器的范围数据训练学习代理。我们的方法基于两个最先进的双批评深度RL模型：双延迟深度确定性策略梯度（TD 3）和软演员批评（SAC）。我们表明，我们的两种方法管理优于基于深度确定性策略梯度（DDPG）技术和BUG2算法的方法。此外，我们基于递归神经网络（RNN）的新Deep-RL结构优于用于执行移动机器人无地图导航的当前结构。总的来说，我们得出结论，基于双批评与递归神经网络（RNN）的深度RL方法更适合于执行无人机的无地图导航和避障。
2021-12-27 cs.RO
Research on Inertial Navigation Technology of Unmanned Aerial Vehicles with Integrated Reinforcement Learning Algorithm
Xuhai College of China University of Mining and Technology（中国矿业大学徐海学院）
本研究提出一种基于强化学习的DQM算法，通过设计状态空间与调整机制优化无人机惯性导航系统，有效降低了动态环境下的累积误差，为无人机自主导航奠定了基础。
2023-07-26 cs.RO
FLYINGTRUST: A Benchmark for Quadrotor Navigation Across Scenarios and Vehicles
School of Electronics and Communication Enginnering, Sun Yet-sen University, Shenzhen, China（电子与通信工程学院，孙逸森大学，深圳，中国）；Tianwei Xunda (Hunan) Technology Co., Ltd., Hunan, China（天威湘电（湖南）科技有限公司，湖南，中国）
用于四旋翼的视觉导航算法在跨不同的车辆平台和场景几何形状传输时通常表现出很大的性能变化，这增加了现场部署的成本和风险。为了支持系统的早期评估，我们引入了FLYINGTRUST，一个高保真，可配置的基准框架，测量平台Kinodynamics和场景结构如何共同影响导航的鲁棒性。FLYINGTRUST通过两个紧凑的、物理上可解释的指标对车辆性能进行建模：最大推重比和轴向最大角加速度。该基准将不同的场景库与一组异构的真实和虚拟平台配对，并规定了一个标准化的评估协议以及一个综合评分方法，该方法平衡了场景重要性、平台重要性和性能稳定性。我们使用FLYINGTRUST在相同条件下比较代表性的基于优化和基于学习的导航方法，对每个平台场景组合进行重复试验，并报告不确定性感知指标。结果揭示了系统的模式：导航的成功取决于平台的能力和场景的几何形状，不同的算法表现出不同的偏好和故障模式的评估条件。这些观察结果突出了将平台能力和场景结构纳入算法设计、评估和选择的实际必要性，并且它们激励了在不同平台和场景中保持稳健的方法的未来工作。
2025-10-30 cs.RO
Human-like Semantic Navigation for Autonomous Driving using Knowledge Representation and Large Language Models
Computer Engineering Department, University of Alcalá（阿尔卡拉大学计算机工程系）
本研究利用大语言模型将非正式导航指令自动翻译为答案集编程规则，实现无需预定义地图的语义化、可解释的自动驾驶导航决策。
2025-05-22 cs.AI cs.RO
Learning by Cheating : An End-to-End Zero Shot Framework for Autonomous Drone Navigation
Indian Institute of Technology, Gandhinagar（印度理工学院甘地纳格尔分校）
本文提出了一种新的框架，自主无人机导航通过杂乱的环境。控制策略在训练期间在低级环境中学习，并在推理期间应用于复杂环境。在训练环境中学习的控制器被欺骗，相信机器人仍然处于训练环境中，而实际上它正在更复杂的环境中导航。本文提出的框架可以适用于在更复杂的任务中重用简单的策略。我们还表明，该框架可以用作强化学习算法的解释工具。
2021-11-11 cs.RO
Integrating occlusion awareness in urban motion prediction for enhanced autonomous vehicle navigation
Centre for Automation and Robotics (CSIC-UPM)（自动化与机器人中心（西班牙国家研究委员会-马德里理工大学））；University of Puerto Rico（波多黎各大学）
本文扩展MultIAMP框架，将遮挡感知融入城市运动预测，通过动态贝叶斯网络与马尔可夫链生成多模态概率输出，并在两个真实用例中验证其对自动驾驶导航安全性的提升。
2024-06-28 cs.RO
On the Advantages of Multiple Stereo Vision Camera Designs for Autonomous Drone Navigation
Aarhus University（奥胡斯大学）
在这项工作中，我们展示了多摄像头无人机的性能的设计和评估，再加上国家的最先进的规划和自主导航映射算法。该系统利用了最先进的滚动地平线探索技术，用于具有3D和语义信息的下一个最佳视图（NBV）规划，由可重新配置的多立体摄像机系统提供。我们采用我们的方法在一个自主的无人机为基础的检查任务，并评估他们在一个自主的探索和绘图方案。我们讨论了使用多立体相机飞行系统的优点和局限性，以及相机数量和映射性能之间的权衡。
2021-05-26 cs.CV cs.RO
Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios
Zhejiang University（浙江大学）；Zhejiang University of Technology（浙江工业大学）；Ningbo Innnovation Center, Zhejiang University（浙江大学宁波创新中心）
针对GNSS拒止环境下无人机导航的飞行偏差问题，提出角度鲁棒导航范式及含三个模块的模型，并构建数据集和模拟测试平台，在理想和扰动条件下到达成功率分别提升26.0%和45.6%。
2024-02-04 cs.CV cs.RO
Accurate indoor mapping using an autonomous unmanned aerial vehicle (UAV)
University of Melbourne（墨尔本大学）；Metropolitan Fire Brigade（大都会消防局）
自主室内飞行器需要可靠的同时定位和地图绘制（SLAM）、精确的飞行控制和鲁棒的导航路径规划。本文提出了一个系统级的组合，这些现有的二维导航技术。一种名为URSA（无人侦察和安全飞机）的无人机（UAV）可以自主飞行并以2 cm的精度绘制室内环境。在室内环境中的性能进行了评估的绘图和导航精度。
2018-07-31 cs.RO eess.IV
Enhancing Privacy and Security of Autonomous UAV Navigation
University at Buffalo（布法罗大学）；IBM Research（IBM研究院）
本文提出结合强化学习与全同态加密（FHE）的端到端安全框架，通过对加密图像执行推理并适配神经网络与OpenAI Gym库，在几乎不损失性能的前提下有效防御窃听、中间人等对抗性攻击，保障自主无人机导航的隐私与安全。
2024-04-26 cs.AI cs.CR cs.RO
A Novel Navigation System for an Autonomous Mobile Robot in an Uncertain Environment
Anhui Polytechnic University（安徽工程大学）；Wuhu HIT Robot Technology Research Institute Co. Ltd（芜湖哈工大机器人技术研究院有限公司）；Cranfield University（克兰菲尔德大学）
本文提出了一种新的导航系统，该系统采用自适应阈值聚类算法在滑动窗口中检测障碍物，利用决策树对检测到的障碍物进行分类，并采用简化的Mophin算法对潜在碰撞进行预测和最优路径搜索。与现有的机器人导航方法相比，该系统具有最优无碰撞路径、存储空间小、计算复杂度低等优点。仿真实验和八种场景下的机器人实验表明，该机器人能够有效地避免与周围环境中的任何静态或动态障碍物发生碰撞。
2020-06-08 cs.RO
Utilizing Navigation Paths to Generate Target Points for Enhanced End-to-End Autonomous Driving Planning
University of Science and Technology of China（中国科学技术大学）
针对现有端到端自动驾驶框架忽略行驶意图学习的问题，本文提出NTT方法，基于导航路径生成目标点再生成规划轨迹，在nuScenes数据集上取得优异规划性能。
2024-08-12 cs.RO
High Precision Indoor Navigation for Autonomous Vehicles
Technische Hochschule Ingolstadt（因戈尔施塔特应用技术大学）；GeneSys Elektronik GmbH（GeneSys电子有限公司）；University of Castilla-La Mancha（卡斯蒂利亚-拉曼恰大学）
自动驾驶是汽车行业的重要趋势。为了开发和测试自动驾驶汽车的功能，对这一目标的持续研究需要在所有情况下精确的参考车辆状态估计。然而，即使当从即将到来的技术（如L5 GPS频带）期望车道精确定位时，在有屋顶的区域中的精确定位的问题，例如，在一个实施例中，隧道或公园房屋，仍然需要解决。本文提出了一种新的参考车辆状态估计方法。该程序包括三个主要部分。第一，纯粹基于来自惯性测量单元的信号的鲁棒静止检测。第二，通过统计滤波的车辆状态估计。第三，基于LiDAR的高精度定位方法，其提供速度、位置和定向校正数据，平均误差分别为0.1 m/s、4.7 cm和1 $^\circ$。在CPU上的测试表明了实时实现的可能性。
2020-05-14 cs.RO eess.SP
Unveiling the Surprising Efficacy of Navigation Understanding in End-to-End Autonomous Driving
College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院）；Didi Chuxing（滴滴出行）；Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
本文提出SNG框架，通过真实导航模式高效表示全局导航信息，结合导航路径与分步信息，提升自动驾驶的全局与局部规划能力，实现无需辅助损失函数的高精度导航建模。
2026-04-14 cs.AI cs.RO
Trust Through Transparency: Explainable Social Navigation for Autonomous Mobile Robots via Vision-Language Models
New York University, Tandon School of Engineering（纽约大学坦登工程学院）；General Autonomy Inc.（通用自主公司）
本文提出一种多模态可解释模块，结合视觉语言模型和热图提升自主导航的透明度，通过自然语言总结使机器人感知、分析并表达观察结果，实验表明实时解释能提升用户信任和理解。
2025-04-07 cs.RO
A Beacon Based Solution for Autonomous UUVs GNSS-Denied Stealthy Navigation
French National Research Agency（法国国家研究署）
该研究提出了一种基于信标的自主UUV在GNSS受限环境下实现隐蔽导航的方案，通过分层规划器和合成地标网络实现精确路径导航。
2026-01-22 cs.AI cs.RO
Decision-Making Technology for Autonomous Vehicles Learning-Based Methods, Applications and Future Outlook
Delft University of Technology（代尔夫特理工大学）
自主车辆在民用和军事领域都有着巨大的应用潜力，随着科学和经济的快速发展，自主车辆已成为研究的热点。本文简要介绍了基于学习的自主车辆决策技术，因为它对自主车辆的安全和高效性能具有重要意义。首先，给出了决策技术的基本轮廓。其次，对基于学习的自主车辆决策方法的相关研究进行了综述，并与经典决策方法进行了比较。此外，总结了决策方法在现有自主车辆中的应用。最后，对自主车辆决策技术的未来研究方向进行了展望。
2021-07-02 cs.AI cs.RO
Safe Navigation in Unstructured Environments by Minimizing Uncertainty in Control and Perception
Agency for Defense Development（国防发展局）
本文提出一个最小化控制与感知不确定性的导航框架，结合认知不确定性量化的车辆动力学模型与元学习可通行性预测模型，优化轨迹避开不确定区域，提升了非结构化环境中的导航安全性与稳定性。
2023-06-26 cs.CV cs.LG cs.RO
Depth-CUPRL: Depth-Imaged Contrastive Unsupervised Prioritized Representations in Reinforcement Learning for Mapless Navigation of Unmanned Aerial Vehicles
Universidade Federal do Rio Grande - FURG（里奥格兰德联邦大学（FURG））；Universidade Federal de Santa Maria - UFSM（圣玛丽亚联邦大学（UFSM））；Technological University of Uruguay（乌拉圭技术大学）
强化学习（RL）通过原始像素成像和连续控制任务在视频游戏中表现出令人印象深刻的性能。然而，RL在高维观测（如原始像素图像）方面表现不佳。人们普遍认为，基于物理状态的RL策略（如激光传感器测量）比像素学习更有效。本文提出了一种从深度图估计中提取信息的新方法，用于训练强化学习智能体实现无人机的无地图导航。我们提出了深度图像对比无监督优先表示强化学习（深度CUPRL），估计与优先重放记忆的图像的深度。我们使用RL和对比学习的组合来解决基于图像的RL问题。从与无人机（UAV）的结果的分析，可以得出结论，我们的深度CUPRL方法是有效的决策，并优于国家的最先进的基于像素的方法在无地图导航能力。
2022-07-01 cs.AI cs.RO
Towards Fully Intelligent Transportation through Infrastructure-Vehicle Cooperative Autonomous Driving: Challenges and Opportunities
PerceptIn（感知创新公司）；South China University of Technology（华南理工大学）；Northwestern University（西北大学）
基础设施-车辆协同自动驾驶方法依赖于智能道路和智能车辆之间的合作。与传统的车载自动驾驶方法相比，这种方法不仅更安全，而且更经济。在本文中，我们介绍了我们在协作自动驾驶领域的实际部署经验，并深入探讨了新挑战和机遇的细节。具体而言，根据我们在商业部署方面的进展，我们遵循了合作自动驾驶方法的三个阶段发展路线图：基础设施增强自动驾驶（IAAD），基础设施引导自动驾驶（IGAD）和基础设施规划自动驾驶（iPad）。
2021-03-03 cs.AR cs.NI cs.RO
Deployable, Data-Driven Unmanned Vehicle Navigation System in GPS-Denied, Feature-Deficient Environments
University of Cincinnati（辛辛那提大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Air Force Research Laboratory（空军研究实验室）
本文提出了一种新的数据驱动的导航系统导航无人车（UV）在GPS拒绝，功能缺陷的环境，如隧道，或矿井。该方法利用车辆可以部署和测量距离的地标，以在车辆穿过其预定义路径通过隧道时实现定位。在这种情况下出现的一个关键问题是，在任务开始之前，在给定一些有关环境的信息的情况下，估计并减少需要部署用于定位的地标的数量。主要焦点是将最大位置不确定性保持在期望值。在这篇文章中，我们开发了一种新的车辆导航系统在GPS否认，功能缺陷的环境相结合的技术，从估计，机器学习，和混合整数凸优化。本文开发了一种新的，系统的方法来执行定位和导航的UV通过环境中的地标数量最少，同时保持所需的定位精度。我们还提出了广泛的模拟实验，不同的情况下，证实了建议的导航系统的有效性。
2021-11-02 cs.RO math.OC
A Visual-inertial Navigation Method for High-Speed Unmanned Aerial Vehicles
Beijing University of Posts and Telecommunications（北京邮电大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
研究了高速高空无人机的单目摄像定位问题。提出了一种利用视觉和惯性器件互补的导航方法，以克服无人机水平飞行时的奇异性。通过分离线性部分和非线性部分，改进了定位问题的数学模型，用线性等式约束优化问题代替了非线性最小二乘问题。为了避免序列无约束极小化方法（罚方法）在最优点附近的病态性，基于微分代数动力系统构造了一种半隐式连续信赖域方法来求解线性等式约束优化问题.除了传统的常微分方程数值方法在有限积分区间上的收敛性分析外，还分析了半隐式连续方法在无穷积分区间上的全局收敛性。最后给出了数值结果。
2020-02-12 cs.CV cs.NA cs.SY
Activated Backstepping with Control Barrier Functions for the Safe Navigation of Automated Vehicles
本文提出激活反步法，通过在控制屏障函数中引入激活函数构造更少保守的安全集，并在倒立摆和自动驾驶车辆仿真中验证了其安全导航效果。
2025-08-28 math.DS math.OC
