OpenREALM: Real-time Mapping for Unmanned Aerial Vehicles
本文介绍了OpenREALM，无人机（UAV）的实时的【形】地图框架。利用附接到移动的UAV的机载计算机的相机来获取感兴趣的目标区域的高分辨率图像马赛克。不同的操作模式允许OpenREALM执行简单的拼接假设一个近似的平面地面，或完全恢复复杂的3D表面信息，以提取高程图和几何校正的正射影像。此外，UAV的全球位置用于对数据进行地理参考。在所有模式下，地面操作员都可以实时查看生成地图的增量进度。获得最新的地面信息将推动各种无人机的应用。为了社区的利益，源代码在https://github.com/laxnpander/OpenREALM上公开。
2020-09-22 cs.CV
UAV (Unmanned Aerial Vehicles): Diverse Applications of UAV Datasets in Segmentation, Classification, Detection, and Tracking
Silicon Orchard Research and Analytics Lab（Silicon Orchard 研究与分析实验室）；Daffodil International University（水仙花国际大学）；BRAC University（BRAC 大学）；Texas Tech University（德克萨斯理工大学）；Clark Atlanta University（克拉克亚特兰大大学）
本文系统综述了UAV数据集在分割、分类、检测与跟踪等任务中的多样化应用，强调其对推动计算机视觉模型发展和多领域实际创新的关键作用。
2024-09-05 cs.CV
E^2VTS: Energy-Efficient Video Text Spotting from Unmanned Aerial Vehicles
Texas A&M University（德州农工大学）；Kwai Inc.（快手公司）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
基于无人机的视频文本定位技术在民用和军事领域得到了广泛的应用。无人机有限的电池容量促使我们开发一种节能的视频文本定位解决方案。在本文中，我们首先回顾了RCNN的裁剪和调整大小训练策略，并根据经验发现它在无人机捕获的真实视频文本数据集上的性能优于对齐的RoI采样。为了降低能耗，我们进一步提出了一个多级图像处理器，考虑到视频的冗余，连续性和混合退化。最后，在部署到Raspberry Pi之前，对模型进行修剪和量化。我们提出的节能视频文本定位解决方案，被称为E^2VTS，通过实现能源效率和性能之间的竞争性权衡，优于所有以前的方法。我们所有的代码和预训练模型都可以在https://github.com/wuzhenyusjtu/LPCVC20-VideoTextSpotting上找到。
2022-06-05 cs.CV
Real-Time Optical flow-based Video Stabilization for Unmanned Aerial Vehicles
National University of Singapore（新加坡国立大学）；Temasek Laboratories（淡马锡实验室）
本文描述了一种新的算法来解决无人机（UAV）的实时的【形】视频稳定的问题。该算法主要包括两个部分：（1）通过设计一个适合无人机全局运动的模型，避免了对最一般的运动模型--投影变换进行估计的必要性，而考虑了刚体变换和相似变换等较为简单的运动模型。(2)为了实现高处理速度，采用基于光流的跟踪来代替由最先进的算法所使用的传统跟踪和匹配方法。这两个新的想法导致了一个实时的【形】稳定算法，开发了两个阶段。第一阶段考虑处理视频中的整个帧序列，同时在几个公开的基准视频上实现50 fps的平均处理速度。接下来，阶段II使用阶段I中设计的算法的多线程实现来承担实时的【形】视频稳定的任务。
2017-01-13 cs.CV
UAV3D: A Large-scale 3D Perception Benchmark for Unmanned Aerial Vehicles
Georgia State University（佐治亚州立大学）；University of Connecticut（康涅狄格大学）
针对无人机三维感知与协同感知缺乏基准的问题，本文提出包含1000个场景的UAV3D基准，覆盖单机与协同的三维检测和跟踪四项任务，并公开数据集与代码。
2024-10-17 cs.CV
Visual Servoing of Unmanned Surface Vehicle from Small Tethered Unmanned Aerial Vehicle
Texas A&M University（德克萨斯A&M大学）
本文提出了一种算法和实现的运动模式，以帮助视觉定位子系统的正在进行的EMILY项目在得克萨斯州A和M大学。EMILY项目旨在将无人水面车辆（USV）与无人航空器（UAV）合作，以在紧急响应阶段加强海上伤亡人员的搜索和救援。USV被设计成一旦到达受害者就作为漂浮装置。来自UAV的实时视频馈送被提供给应急响应人员，使他们对USV的方向和位置进行视觉估计，以帮助其导航。使用USV无人机团队进行伤亡响应的挑战之一是同时控制USV并对其进行跟踪。在本文中，我们提出了一种实现无人机摄像机运动自动化的解决方案，以始终保持USV在视野中。所提出的运动模式使用来自视觉定位子系统的USV坐标来控制UAV的摄像机运动，并以最小的摄像机运动来跟踪USV，使得USV总是在摄像机视场中。
2017-10-09 cs.CV cs.RO
Deep-Learning-Based Aerial Image Classification for Emergency Response Applications Using Unmanned Aerial Vehicles
KIOS Research and Innovation Center of Excellence（KIOS卓越研究与创新中心）；University of Cyprus（塞浦路斯大学）
配备摄像头传感器的无人机（UAV）能够在偏远和难以进入的地区工作，因此可以为许多应急响应和灾害管理应用提供增强的态势感知。此外，通过利用嵌入式平台和深度学习，无人机可以自主监测受灾地区，实时分析图像，并在存在各种灾害（如倒塌的建筑物，洪水或火灾）时发出警报，以更快地减轻其对环境和人口的影响。为此，本文重点研究了无人机上灾害事件的自动空中场景分类。具体来说，一个专门的航空图像数据库应急响应（AIDER）的应用程序进行了介绍和现有的方法进行比较分析。通过这种分析，开发了轻量级卷积神经网络（CNN）架构，能够在嵌入式平台上高效运行，与现有模型相比，性能提高约3倍，内存需求最小，与最先进的模型相比，精度下降不到2%。这些初步结果为进一步实验提供了坚实的基础，时间航空图像分类，用于使用UAV的应急响应应用。
2019-06-20 cs.CV cs.RO
Toward Autonomous Rotation-Aware Unmanned Aerial Grasping
Wuhan University（武汉大学）
自主式无人机（Autonomous Unmanned Aerial Manipulators，UAM）在将被动传感任务转变为主动三维交互任务方面显示出了巨大的潜力，但其在目标检测和稳定等方面仍存在一些困难，阻碍了其广泛应用。这封信提出了一个基于视觉的自主UAM与3DoF机械臂旋转抓取，与重心位移补偿。首先，详细介绍了系统的硬件、软件结构和状态估计方法。所有的机械设计都完全作为开源硬件提供，供社区重用。然后，我们分析了由转子产生的流量分布，并规划机器人手臂的运动基于此分析。接下来，提出了一种称为Rotation-SqueezeDet的新检测方法，以实现旋转感知抓取，该方法可以在Jetson TX 2上近实时地给出目标位置和旋转角度。最后，在多个实验中验证了所提出的方案的有效性，突出了它的自主空中抓取在GPS拒绝环境的适用性。
2018-11-09 cs.CV cs.RO
Active Face Frontalization using Commodity Unmanned Aerial Vehicles
University at Buffalo（布法罗大学）
本文介绍了一种系统，无人机（UAV）可以收集高质量的人脸图像，可用于生物识别任务。人脸识别的成功在很大程度上取决于图像质量，其中一个主要因素是视图的正面。人脸识别软件流水线可以通过由过程调用{ \em frontalization}从非正面视图合成正面视图来提高识别率。在这里，我们利用无人机的高机动性，使用合成正面化管道的组件主动收集正面图像。我们定义了一个frontalization错误，并表明它可以用来引导无人机捕捉正面的意见。此外，我们表明，得到的图像流提高了匹配质量的一个典型的人脸识别相似性度量。该系统是使用现成的硬件和软件组件实现的，可以很容易地转移到任何ROS使无人机。
2021-02-17 cs.CV cs.HC
Task-Oriented Image Transmission for Scene Classification in Unmanned Aerial Systems
物联网的蓬勃发展使得云与边缘协同将其计算和存储能力扩展到航空系统中的计算任务成为可能，特别是基于深度学习（DL）的人工智能（AI）任务。无人机采集大量图像/视频数据，由于存储和计算能力有限，只能将智能分析任务移交给后端移动边缘计算（MEC）服务器。如何有效地为AI模型传输最相关的信息是一个具有挑战性的课题。受近年来面向任务的通信的启发，我们提出了一种新的场景分类任务的航空图像传输范式。在前端无人机上开发了一个轻量级模型，用于感知图像和信道条件的语义块传输。为了实现传输延迟和分类精度之间的折衷，使用深度强化学习（DRL）探索在各种信道条件下对后端分类器贡献最大的语义块。实验结果表明，与固定传输策略和传统内容感知方法相比，该方法能显著提高分类准确率。
2021-12-21 cs.CV cs.MM
Oil and Gas Pipeline Monitoring during COVID-19 Pandemic via Unmanned Aerial Vehicle
University Politehnica of Bucharest（布加勒斯特理工大学）
庞大的石油和天然气输送管道网络需要定期监测维护和危险检查，以避免设备故障和潜在事故。严峻的COVID-19疫情迫使公司缩减团队规模。现场面临的一个风险是易燃石油和天然气的不受控制的释放。在众多的检测方法中，无人机系统兼具灵活性和稳定性。无人机可以在执行监测任务时实时传输数据。当前的文章重点关注配备光学传感和人工智能的无人机，特别是采用深度学习技术的图像识别，用于管道监控。无人驾驶飞行器可用于执行定期巡逻任务，以确定和拍摄有关区域的图像和视频。难以到达的地方将更快，更便宜，风险更小。目前的论文是基于捕捉无人机检查的视频和图像的想法，这可以在它们变得危险之前发现几个潜在的危险问题。损坏可能表现为外部管道保温层上的覆层弱化。也有可能是这样的情况时，通过外部腐蚀的管道厚度可以发生。本文介绍了一项由石油和天然气行业的专家完成的调查，目的是找到拟议系统的功能和非功能需求。
2021-11-15 cs.CL cs.CV cs.CY
Training Deep Learning Models via Synthetic Data: Application in Unmanned Aerial Vehicles
Research Centre on Interactive Media, Smart Systems and Emerging Technologies (RISE), Nicosia, Cyprus（塞浦路斯尼科西亚交互式媒体、智能系统与新兴技术研究中心（RISE））；Department of Computer Science, University of Cyprus, Nicosia, Cyprus（塞浦路斯尼科西亚塞浦路斯大学计算机科学系）
本文介绍了最近有前途的生成合成训练数据的方法的初步工作，以促进深度学习（DL）模型的学习过程，重点是无人机（UAV）产生的航拍照片。的一般概念和方法进行了描述，并提出了初步的结果，基于森林火灾识别的分类问题，以及在城市地区的房屋数量估计的计数问题。所提出的技术构成了DL社区的一种新的可能性，特别是与基于无人机的图像分析，具有很大的潜力，有前途的结果，和未开发的地面进一步研究。
2019-08-18 cs.CV cs.LG eess.IV
Ego-motion Sensor for Unmanned Aerial Vehicles Based on a Single-Board Computer
Czech Institute for Informatics, Robotics, and Cybernetics（捷克信息学、机器人学与控制论研究所）；Czech Technical University in Prague（布拉格捷克技术大学）
介绍了一种适用于微型飞行器的地面里程传感器的设计与实现。该传感器基于一个面向地面的摄像头和一个基于单板的【形】Linux的嵌入式计算机，该计算机具有多媒体片上系统（SoC）。该SoC具有用于在线估计光流的硬件视频编码器。然后结合距离传感器使用光流来估计车辆的速度。所提出的传感器相比，类似的现有解决方案，并在室内和室外环境中进行评估。
2019-01-22 cs.CV cs.RO
Unmanned Aerial Vehicle (UAV)-Based Mapping of Iris Pseudacorus L. Invasion in Laguna del Sauce (Uruguay) Coast
Universidad Católica del Uruguay（乌拉圭天主教大学）；Instituto de Investigacion en Ciencias de la Computacion (ICC), UBA-CONICET（计算机科学研究所（ICC），布宜诺斯艾利斯大学-阿根廷国家科学技术研究委员会）；Universidad de Buenos Aires（布宜诺斯艾利斯大学）
本文提出一种基于无人机多光谱数据与半监督分类的方法，用于绘制乌拉圭海岸黄菖蒲入侵的精确分布图，为生物入侵的监测与控制提供了有效的遥感技术方案。
2025-02-28 cs.CV cs.ET
Disaster Monitoring using Unmanned Aerial Vehicles and Deep Learning
Institute for Food and Agricultural Research and Technology（食品与农业研究技术研究所）
监测灾害对于减轻灾害对环境和人口的影响至关重要，可以通过使用配备摄像传感器的无人驾驶飞行器来提供便利，这些传感器可以拍摄感兴趣地区的航空照片。基于航空照片识别事件的现代技术是深度学习。在本文中，我们介绍了与使用深度学习技术进行灾害识别相关的最新工作。我们通过一个相对简单的深度学习模型，展示了这种技术在高精度识别灾害方面的潜力。基于544张图像的数据集（包含火灾、地震、倒塌的建筑物、海啸和洪水等灾害图像，以及非灾害场景），我们的结果显示达到了91%的准确率，这表明深度学习与配备相机传感器的无人机相结合，有可能高精度地预测灾害。
2018-08-08 cs.AI cs.CV cs.LG
Vision-model-based Real-time Localization of Unmanned Aerial Vehicle for Autonomous Structure Inspection under GPS-denied Environment
无人机已广泛用于建筑物、桥梁和其他结构的目视检查。在室外自主或半自主飞行任务中，强GPS信号对于无人机定位自身位置至关重要。然而，强大的GPS信号并不总是可用的，它可能会在大型建筑物下方或靠近电力线的地方降级或完全丢失，这可能会导致严重的控制问题，甚至是无人机坠毁。这些局限性极大地限制了无人机作为常规检查工具在各个领域的应用。本文提出了一种基于视觉模型的实时的【形】自定位方法，以支持不需要GPS支持的自主空中检查。与其他需要额外机载传感器的定位方法相比，该方法使用单个摄像机来连续估计无人机的飞行姿态。详细讨论了该方法的各个步骤，并通过室内测试案例对其性能进行了测试。
2019-04-10 cs.CV cs.RO
Learning to Compress Unmanned Aerial Vehicle (UAV) Captured Video: Benchmark and Analysis
Peking University（北京大学）；Peng Cheng Laboratory（鹏城实验室）
在过去的十年中，无人机（UAV）由于其灵活、广泛和动态的空间感知能力而引起了越来越多的关注。无人机捕获的视频量随着无人机上安装的传感器的进步而产生的比特率的增加而呈指数级增长，这为设备上的无人机存储和空地数据传输带来了新的挑战。现有的大多数视频压缩方案都是针对自然场景设计的，没有考虑到无人机视频的纹理和视角特性。在这项工作中，我们首先对无人机视频编码领域的现状进行了详细分析。然后，我们建议建立一个新的任务，学习无人机视频编码，并建立一个全面和系统的基准这样一个任务，提出了一个全面的审查高质量的无人机视频数据集和基准，并提供了广泛的率失真效率比较学习和传统的编解码器后。最后，我们讨论了无人机视频编码的挑战。预计该基准将加速无人机平台上视频编码的研究和开发。
2023-01-15 cs.CV eess.IV
Correlation Filters for Unmanned Aerial Vehicle-Based Aerial Tracking: A Review and Experimental Evaluation
Tongji University（同济大学）；Tsinghua University（清华大学）
航空跟踪是遥感领域最活跃的应用之一，它以其无所不在的奉献精神和卓越的性能得到了广泛的应用。特别是基于无人机（UAV）的遥感系统，采用视觉跟踪方式，已广泛应用于航空、航海、农业、交通、公安等领域。如前所述，无人机空中跟踪平台已从研究阶段逐步发展到实际应用阶段，成为未来航空遥感的主要技术之一。然而，由于现实世界的繁重情况，例如，恶劣的外部挑战、无人机机械结构的振动（尤其是在强风条件下）、复杂环境下的机动飞行以及机载计算资源的有限性，对机载跟踪方法的准确性、鲁棒性和高效性都至关重要。近年来，基于判别相关滤波器（DCF）的跟踪器以其高计算效率和在单CPU上的鲁棒性而脱颖而出，在无人机视觉跟踪领域得到了蓬勃发展。本文首先概括了基于DCF的跟踪器的基本框架，在此基础上，根据它们在解决各种问题上的创新点，对23种最新的基于DCF的跟踪器进行了分类总结。此外，详尽的和定量的实验已经扩展到各种流行的无人机跟踪基准，即，UAV 123、UAV123@10fps、UAV 20 L、UAVDT、DTB 70和VisDrone 2019-SOT，总共包含371，903帧。通过实验验证了基于DCF的机载无人机跟踪器的性能、可行性和当前面临的挑战。
2022-05-24 cs.CV cs.RO eess.IV
Towards Robust Visual Tracking for Unmanned Aerial Vehicle with Tri-Attentional Correlation Filters
Tongji University（同济大学）；Hong Kong Polytechnic University（香港理工大学）
近年来，目标跟踪在无人机任务中得到了广泛的应用.然而，现有的算法仍然面临着困难，如部分遮挡，杂乱的背景，和其他具有挑战性的视觉因素。受最前沿的注意力机制的启发，提出了一种利用多层次视觉注意力的目标跟踪框架。三大注意事项，即：上下文注意力、维度注意力和时空注意力被集成到基于相关滤波器的跟踪流水线的训练和检测阶段中。因此，所提出的跟踪器配备了强大的辨别能力，对挑战性的因素，同时保持高的操作效率，在无人机的情况下。在两个著名的基准测试系统上进行的173个具有挑战性的无人机视频序列的定量和定性实验证明了该框架的有效性。在$\sim$ 28帧/秒的速度下，与基线跟踪器相比，所提出的跟踪算法的性能优于12种最先进的跟踪方法，在UAVDT和UAV123@10 fps下分别获得4.8%和8.2%的相对增益。
2020-08-30 cs.CV cs.RO
Car Detection using Unmanned Aerial Vehicles: Comparison between Faster R-CNN and YOLOv3
Prince Sultan University（苏丹王子大学）；University of Carthage（迦太基大学）；Gaitech Robotics（盖泰克机器人公司）；Polytechnic Institute of Porto（波尔图理工学院）；Al-Imam Mohamed bin Saud University（伊玛目穆罕默德·本·沙特伊斯兰大学）
无人驾驶飞行器越来越多地用于监视和交通监测，这要归功于它们的高机动性和覆盖不同高度和位置的能力。其中一个主要挑战是使用航空图像准确检测汽车并实时计数，以实现交通监控目的。最近提出了几种基于卷积神经网络（CNN）的深度学习技术，用于计算机视觉中的实时分类和识别。但是，它们的性能取决于使用它们的场景。在本文中，我们研究了两个国家的最先进的CNN算法，即更快的R-CNN和YOLOv 3的性能，在汽车检测的背景下，从航空图像。我们在从无人机获取的大型汽车数据集上训练和测试了这两个模型。我们在本文中证明了YOLOv 3在灵敏度和处理时间方面优于Faster R-CNN，尽管它们在精度指标上相当。
2018-12-28 cs.CV cs.LG cs.RO
Deep Transformer Network for Monocular Pose Estimation of Shipborne Unmanned Aerial Vehicle
The George Washington University（乔治华盛顿大学）
本文提出了一种基于深度变换器网络的单目图像姿态估计方法，用于船载无人机的6D姿态估计，通过贝叶斯融合提升精度，并在合成数据和实地实验中验证了其鲁棒性和准确性。
2026-02-02 cs.AI cs.CV cs.RO
Kite: Automatic speech recognition for unmanned aerial vehicles
University Politehnica of Bucharest（布加勒斯特理工大学）；Autonomous Systems（自治系统公司）
本文研究了建立一个适合于无人机控制的语音识别系统的问题。尽管无人机正在变得越来越普遍，但为它们创建语音接口的任务在很大程度上尚未解决。为此，我们引入了一个多模态评估数据集的无人机控制，包括口述命令和相关的图像，这代表了什么样的无人机“看到”当飞行员发出命令的视觉环境。我们提供基线结果，并解决两个研究方向：（一）如何强大的语言模型，给出了一个不完整的列表中的命令在训练时间;（二）如何将视觉信息的语言模型。我们发现，递归神经网络（RNN）是这两项任务的解决方案：它们可以使用少量命令成功地适应，并且可以扩展到使用视觉提示。我们的研究结果表明，即使命令图像训练关联是自动生成的，并且本质上是不完美的，基于图像的RNN也优于其纯文本的RNN。数据集和我们的代码可以在http://kite.speed.pub.ro上找到。
2019-07-02 cs.CV cs.SD eess.AS
Unmanned Aerial Systems for Wildland and Forest Fires
Université de Moncton（蒙克顿大学）；Universidad Técnica Federico Santa María（费德里科圣玛丽亚技术大学）
野火是一种重要的自然风险，造成经济损失、人员死亡和严重的环境破坏。近年来，我们目睹了火灾强度和频率的增加。为制定荒地和森林火灾援助和灭火的专门解决方案进行了研究。提出了远程探测和跟踪火灾的系统。这些系统在有效的数据汇集和小规模环境中的火灾特征方面已经显示出改进。然而，野火覆盖大面积，使一些拟议的地面系统不适合最佳覆盖范围。为了解决这个问题，无人机系统（UAS）被提出。无人机系统由于其可操纵性而证明是有用的，可以进行遥感、分配战略和任务规划。它们可以为消防的预防、检测和实时支持提供低成本的替代方案。在本文中，我们回顾了以前的工作有关使用无人机在野火。机载传感器仪器，火灾感知算法和协调策略。此外，我们提出了一些最近的框架，建议使用飞行器和无人驾驶地面车辆（UV）在更大范围内更有效的荒地消防战略。
2021-03-05 cs.CV cs.LG cs.RO
On-board Deep-learning-based Unmanned Aerial Vehicle Fault Cause Detection and Identification
Rutgers University–New Brunswick（罗格斯大学新布朗斯维克分校）
随着无人驾驶飞行器（UAV）/无人机使用的增加，实时检测和识别故障原因对于从潜在的类似坠毁的场景或事故后取证分析中正确恢复非常重要。坠毁的原因可能是传感器/致动器系统的故障，物理损坏/攻击，或对无人机软件的网络攻击。在本文中，我们提出了基于深度卷积和长短期记忆神经网络（CNN和LSTM）的新型架构，以基于传感器数据检测（通过自动编码器）和分类无人机误操作。所提出的架构能够从原始传感器数据中自动学习高级特征，并学习传感器数据中的空间和时间动态。我们通过在真实无人机上的模拟和实验来验证所提出的深度学习架构。实验结果表明，我们的解决方案能够以超过90%的准确率检测并分类各种类型的无人机误操作（准确率约为99%（模拟数据）和高达88%的准确率（实验数据））。
2020-05-06 cs.CV cs.LG cs.RO
An Improved Deep Convolutional Neural Network-Based Autonomous Road Inspection Scheme Using Unmanned Aerial Vehicles
Kumoh National Institute of Technology（国立金乌工科大学）
人工智能（AI）的进步为开发自主设备提供了很好的机会。这项工作的贡献是一个改进的卷积神经网络（CNN）模型及其实现的道路裂缝，坑洼，和黄色车道的道路检测。黄色车道检测与跟踪的目的是通过跟随黄色车道，实现无人机的自主导航，同时通过WIFI或5G介质检测并向服务器报告道路裂缝和坑洼。建立自己的数据集是一项繁忙而耗时的任务。使用默认和改进的模型创建、标记和训练数据集。这两种模型的性能是基准方面的准确性，平均平均精度（mAP）和检测时间。在测试阶段，据观察，改进后的模型的性能更好的精度和mAP方面。改进后的模型在无人机上实现，使用机器人操作系统，通过无人机前置摄像头视觉实时自主检测道路中的坑洼和裂缝。
2020-08-14 cs.CV cs.LG cs.RO
Multi-Task Regression-based Learning for Autonomous Unmanned Aerial Vehicle Flight Control within Unstructured Outdoor Environments
Durham University（杜伦大学）
全球无人机（UAV）行业的增长扩大了全自主无人机应用的可能性。一个特殊的应用，其中部分动机这项研究是使用无人机在广域搜索和监视行动，在非结构化的户外环境。这种环境的关键问题是缺乏有助于自主飞行的结构化特征，例如道路或路径。在本文中，我们提出了一种端到端的多任务回归学习方法，能够定义飞行命令的导航和探索下的森林树冠，无论存在的痕迹或额外的传感器（即GPS）。训练和测试是使用软件在循环管道，允许对国家的最先进的姿态估计技术进行详细的评估。我们广泛的实验表明，我们的方法擅长在所需的搜索范围内进行密集的探索，能够覆盖更广泛的搜索区域，推广到以前看不见的和未探索的环境，并优于当代最先进的技术。
2019-07-18 cs.CV cs.LG cs.RO
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
