Advanced Algorithms of Collision Free Navigation and Flocking for Autonomous UAVs
无人驾驶飞行器(UAV)对于包括农业、建筑、采矿、环境监测等在内的许多军事和民用应用已经变得非常流行。UAV的期望特征是能够以最少的人为交互自主地导航和执行任务。这是一个非常具有挑战性的问题,因为有几个因素,如无人机应用的高度复杂性,在恶劣环境中的操作,有限的有效载荷和机载计算能力以及高度非线性动力学。本报告中提出的工作有助于无人机控制的最新水平,以实现多无人机系统的安全自主导航和运动协调。本报告的第一部分涉及单无人机系统。解决了在未知/动态环境中的三维(3D)无碰撞导航的复杂问题。为此,先进的3D反应控制策略的开发采用感测和避免范例,以产生快速反应周围的障碍。一个特殊的情况下,在三维未知的封闭环境(即隧道)的导航也得到了解决。在设计中考虑了一般的三维运动学模型,这使得这些方法适用于除了水下航行器之外的不同类型的无人机。此外,不同的实现方法与四旋翼型无人机的控制设计中考虑无人机的动力学也进行了研究。实际的实验和仿真进行了分析所开发的方法的性能。本报告的第二部分涉及多无人机系统的安全导航。研究了多无人机编队飞行和三维区域覆盖的分布式运动协调方法。这些方法为大规模系统提供了良好的计算成本。考虑到系统具有不同的尺寸,进行了仿真,以验证这些方法的性能。
2021-10-30 cs.AI cs.RO cs.SY
Vision Based Docking of Multiple Satellites with an Uncooperative Target
Luleå University of Technology(吕勒奥理工大学)
随着在轨空间碎片数量不断增加,防止空间碎片进一步聚集的必要性变得越来越明显。航天器的加油、维修、检查和离轨是需要精确导航和空间对接的一些示例飞行任务。让多个协作机器人处理这些任务可以在时间和成本方面大大提高任务的效率。本文将介绍一种现代化的和有效的控制体系结构的卫星协同对接任务。所提出的架构使用了一个集中的计划,结合了最先进的,ad-hoc实现的算法和技术,以最大限度地提高鲁棒性和灵活性。它是基于一个模型预测控制器(MPC),有效的成本函数和约束集的设计,以确保安全和准确的对接。仿真环境也提出了验证和测试所提出的控制方案。
2023-03-16 cs.RO cs.SY eess.SY
Distilling Tiny and Ultra-fast Deep Neural Networks for Autonomous Navigation on Nano-UAVs
通过知识蒸馏提出Tiny-PULP-Dronet系列CNN,内存减少168倍至2.9 kB,推理达139帧/秒,在纳米无人机上以100%成功率完成复杂路径导航。
2024-07-17 cs.SY eess.IV eess.SY
Cooperative Navigation Using Pairwise Communication with Ranging and Magnetic Anomaly Measurements
研究了在全球导航卫星系统(GNSS)拒绝环境下的多架无人机(UAV)协同定位问题。该方法包括两个步骤:首先,采用扩展卡尔曼滤波器(EKF)的协同测距定位算法,利用飞行器间的测距信息估计群内各无人机的相对姿态;第二,一种称为合作磁定位的算法,被公式化为粒子滤波器,通过将该组的磁异常测量值与给定的磁异常图相匹配,估计每个UAV的全球姿态。在这项研究中,每个无人机被假定为只执行测距测量和数据交换与其他无人机在任何时间点。开发了一个模拟器,用于评估航空物探测量获得的磁异常图的算法。仿真结果表明,一组16架无人机在1小时内飞行约180公里后,平均估计位置误差约为20米。灵敏度分析表明,该算法可以容忍速度,偏航率和磁异常测量噪声的大的变化。此外,随着更多的UAV被添加到组中,UAV组显示出具有高分辨率地图和低分辨率地图的改进的位置估计鲁棒性。
2020-06-09 cs.SY eess.SY
Analysis of the Effect of Time Delay for Unmanned Aerial Vehicles with Applications to Vision Based Navigation
Khalifa University(哈利法大学)
针对基于视觉导航的无人机,分析了时滞动态特性对控制器设计的影响。时滞是信息物理系统中不可避免的现象,对无人机的控制器设计和轨迹生成具有重要意义。时间延迟对UAV动力学的影响随着基于较慢视觉的导航堆栈的使用而增加。我们表明,现有的模型在文献中,其中不包括时间延迟,是不适合控制器的调整,因为一个平凡的解决方案,最小化的错误成本功能总是存在的。我们确定的平凡的解决方案建议使用无限的控制器增益,以实现最佳性能,这与实际的发现相矛盾。为了避免这种缺点,我们引入了一种新的非线性时滞模型的无人机,然后得到一组线性解耦模型对应的每个无人机控制回路。分析了线性化的角-高度动态时滞模型的代价泛函,并与无时滞模型进行了对比,证明了有限个最优控制器参数的存在性。由于使用的时间延迟模型,我们的实验表明,该模型准确地表示系统的稳定性限制。考虑到时间延迟的影响,采用基于视觉里程计的无人机导航方法,对双纽线轨迹进行跟踪,峰值速度为2.09 m/s,跟踪结果的均方根误差为5.01 cm,与现有技术水平相当。
2022-09-05 cs.RO cs.SY eess.SY
Real-Time Obstacle Avoidance Algorithms for Unmanned Aerial and Ground Vehicles
本报告针对灾害区域自主导航问题,开发了用于UAV在复杂3D环境中实时安全机动的2D与3D反应式导航策略,并提出UAV与UGV统一控制方法,以提升森林火灾等救援任务的效率与安全性。
2025-06-25 cs.RO cs.SY eess.SY
Reinforcement Learning-based Optimal Control and Software Rejuvenation for Safe and Efficient UAV Navigation
针对无人机软件更新机制影响跟踪控制性能的问题,提出融合深度强化学习的软件更新方法,在仿真中验证其可在保障安全约束的同时提升系统性能。
2023-08-27 cs.SY eess.SY
SonicNudge: Controlled Displacement of Hovering UAVs via Estimator-Controller Coupling
Duke University(杜克大学)
SonicNudge是一种通过估计器-控制器耦合,利用超声波共振对陀螺仪的微小扰动实现无人机受控位移的攻击原语,经仿真与实验验证,其可作用于需悬停等任务的无人机,拓展了车辆系统安全的攻击面。
2026-09-01 cs.RO cs.SY eess.SY
Observer-based Controller for VTOL-UAVs Tracking using Direct Vision-Aided Inertial Navigation Measurements
Carleton University(卡尔顿大学);The Hong Kong Polytechnic University(香港理工大学);University of Szeged(塞格德大学)
本研究提出一种基于观测器的VTOL-UAV控制器,可直接利用VA-INS测量值实现6 DoF轨迹跟踪,省去姿态位置重建,计算效率更高,闭环误差指数稳定,适用于GPS不可用环境,且提供了离散版本并完成测试。
2023-08-25 cs.RO cs.SY eess.SY
Unmanned Aerial Vehicle Path Planning for Traffic Estimation and Detection of Non-Recurrent Congestion
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出了一种基于无人机的路径规划算法,通过结合无人机观测与速度-密度传感器数据,以最小化道路/交通状态的不确定性,从而提高非重复拥堵情况下的交通事件检测能力。
2021-10-04 cs.SY eess.SY stat.AP
Connectivity Preserving Decentralized UAV Swarm Navigation in Obstacle-laden Environments without Explicit Communication
Kyoto University of Advanced Science(京都先进科学大学);Okayama University(冈山大学)
本文针对障碍物环境下无人机集群在无显式通信时的导航问题,提出基于控制障碍函数的新型控制方法,克服现有人工势场方法的缺陷,通过优化或近似修正控制输入,经仿真和真实实验验证有效性。
2024-11-28 cs.RO cs.SY eess.SY
Autonomous Navigation at the Nano-Scale: Algorithms, Architectures, and Constraints
James Watt School of Engineering University of Glasgow(詹姆斯·瓦特工程学院格拉斯哥大学)
本文综述了纳米尺度无人驾驶航空器在极端SWaP约束下的自主导航挑战,分析了从经典几何方法到边缘AI范式的转变,并探讨了混合架构在提升自主性和动态环境适应性中的作用。
2026-02-04 cs.RO cs.SY eess.SY
Deep Reinforcement Learning-based UAV Navigation and Control: A Soft Actor-Critic with Hindsight Experience Replay Approach
Research Institute of Electrical and Computer Engineering, Hanyang University(汉阳大学电气与计算机工程研究所);Hanyang University(汉阳大学)
在本文中,我们提出了SACHER(具有后见之明经验重放(HER)的软演员-评论家(SAC)),它构成了一类深度强化学习(DRL)算法。SAC是一种基于最大熵框架的非策略无模型DRL算法,在探索性、鲁棒性和学习性能方面优于早期的DRL算法。然而,在SAC中,最大化熵增强目标可能会降低学习结果的最优性。HER被称为样本高效重放方法,其通过允许代理从失败和成功中学习来增强非策略DRL算法的性能。我们将HER应用于SAC,并提出SACHER来提高SAC的学习性能。更确切地说,SACHER比SAC更快、更准确地实现了所需的最佳结果,因为HER提高了SAC的采样效率。我们应用SACHER无人机(UAV)的导航和控制问题,其中SACHER生成的无人机在各种障碍物的操作下的最优导航路径。具体来说,我们显示SACHER的跟踪误差和累积奖励在无人机操作方面的有效性,通过比较它们与那些国家的最先进的DRL算法,SAC和DDPG。注意,无人机导航和控制问题中的SACHER可以应用于无人机的任意模型。
2021-06-05 cs.LG cs.RO cs.SY
A Survey of Offline and Online Learning-Based Algorithms for Multirotor UAVs
D. F. Ritchie School of Engineering and Computer Science(D.F.里奇工程与计算机科学学院);University of Denver(丹佛大学)
本综述总结2015年以来多旋翼无人机离线与在线学习算法,重点分析在线学习的实时可实现性,并分类机器学习、深度学习和强化学习技术,为实时导航控制提供参考。
2024-02-06 cs.RO cs.SY eess.SY
Reinforcement Learning for Autonomous Point-to-Point UAV Navigation
University of Lagos(拉各斯大学);Iowa State University(爱荷华州立大学)
本项目开发了一种强化学习方法,使无人机能在无人工干预下自主进行点对点导航,通过试错学习导航策略,并在真实平台上验证了其可行性与低人工监督需求。
2025-09-17 cs.RO cs.SY eess.SY
Intelligent Multi-UAV Navigation in ITNTNs: A Hierarchical LLM Approach
针对高速无人机在三维空中高速公路部署中面临的协调问题,提出分层大语言模型驱动控制框架,利用云端大语言模型管理全局负载平衡,边缘大语言模型转化局部观测为子目标,引导深度强化学习控制器执行轨迹,降低碰撞率并提高系统吞吐量。
2026-07-22 cs.AI cs.LG cs.NI
Autonomous Tracking and Terminal Guidance of Moving Targets for Fixed-Wing UAVs
Department of Mechanical Engineering, National Yang Ming Chiao Tung University(国立阳明交通大学机械工程学系)
研究为固定翼无人机引入统一控制框架,采用三相策略,利用UKF融合视觉检测与惯性测量,结合带约束感知的NMPC及BPNG律,实现从目标检测到终端拦截的任务,仿真验证其能稳定跟踪并精确拦截,同时遵守相关约束。
2026-07-15 cs.AI cs.RO cs.SY