UAV-ReID: A Benchmark on Unmanned Aerial Vehicle Re-identification in Video Imagery
Northumbria University（诺森比亚大学）；Durham University（杜伦大学）
随着无人机（UAV）的应用范围越来越广，无人机中断的潜在风险也越来越大。深度学习的最新发展允许基于视觉的反无人机系统使用单个相机来检测和跟踪无人机。然而，单个相机的覆盖范围是有限的，需要多相机配置来匹配相机之间的无人机-一个被称为重新识别（reID）的问题。虽然人们已经对人和车辆的reID进行了广泛的研究，以跨时间和视点匹配对象，但据我们所知，无人机reID还没有研究。无人机的重新识别具有挑战性：它们比行人和车辆小得多，而且它们经常在空中被发现，因此出现在更大的角度范围内。由于目前没有无人机数据集使用多个摄像头，因此我们提出了第一个新的无人机重新识别数据集UAV-reID，以促进这一新兴领域的机器学习解决方案的开发。UAV-reID有两个设置：临时接近评估跨视图的性能以帮助跟踪框架，而大到小评估跨规模的reID性能，并允许在长距离检测到UAV时进行早期reID。我们通过广泛评估不同的reID骨干和损失函数进行基准研究。我们证明，通过正确的设置，深度网络足够强大，可以学习无人机的良好表示，在时间近设置上实现81.9%的mAP，在具有挑战性的大到小设置上实现46.5%的mAP。此外，我们发现，视觉Transformer是最强大的极端变化的规模。
2021-12-02 cs.CV cs.LG cs.RO
Comprehensive Analysis of the Object Detection Pipeline on UAVs
University of Tuebingen（图宾根大学）
目标检测流水线包括捕获场景的相机和处理这些图像的目标检测器。图像的质量直接影响目标检测器的性能。目前的许多研究工作都集中在提高图像质量或单独改进目标检测模型上，而忽略了两个子系统联合优化的重要性。本文的目标是调整现有的对象检测器在遥感场景中的检测吞吐量和准确性，重点是优化输入图像量身定制的对象检测器。为了实现这一点，我们经验分析的影响，两个选定的相机校准参数（相机失真校正和伽马校正）和五个图像参数（量化，压缩，分辨率，颜色模型，额外的通道），这些应用程序。在我们的实验中，我们利用来自不同领域的三个无人机数据集和大型和小型最先进的物体探测器模型的混合物，以提供对管道参数影响的广泛评估。最后，我们在无人机嵌入式平台上实现了一个目标检测流水线原型，并根据我们的研究结果给出了构建目标检测流水线的最佳实践建议。我们发现，并不是所有的参数都对检测精度和数据吞吐量有相同的影响，并且通过在参数之间使用适当的折衷，我们能够在保持相同的数据吞吐量的同时，为轻量级目标检测模型实现更高的检测精度。
2022-07-19 cs.CV cs.RO
S3M: Semantic Segmentation Sparse Mapping for UAVs with RGB-D Camera
University of Engineering and Technology, Vietnam National University Hanoi（越南国立大学河内工程技术大学）；Hanoi University of Industry（河内工业大学）；Japan Advanced Institute of Science and Technology（日本北陆先端科学技术大学院大学）
本文提出S3M系统，将视觉SLAM、目标分割与OctoMap稀疏建图融合，利用语义信息提升无人机在室内环境中的位姿估计与导航能力，并通过Gazebo仿真和Jetson Xavier AGX部署验证其有效性。
2024-01-16 cs.RO
Extended Abstract Version: CNN-based Human Detection System for UAVs in Search and Rescue
Vel Tech - Technical University（Vel Tech 技术大学）
提出了一种基于卷积神经网络和四轴飞行器硬件平台的人体搜索和检测方法。预训练的CNN模型应用于Raspberry Pi B，并且在Quadcopter的底部配备了单个摄像头。四轴飞行器采用加速度计-陀螺仪传感器和超声波传感器进行平衡控制。然而，这些传感器容易受到由诸如电动机的振动等驱动力引起的噪声的影响，因此，实施噪声处理。实验证明，该系统在Raspberry Pi B上运行良好，处理速度达到3 fps。
2021-11-04 cs.CV cs.RO
Season-invariant GNSS-denied visual localization for UAVs
Saab Finland Oy（萨博芬兰公司）
针对GNSS拒止下无人机视觉定位受季节外观与视角差异影响的问题，提出用CNN匹配相机图像与地理参考正射影像，实验证明其精度、收敛速度及真实无人机鲁棒定位能力优于六种参考方法。
2022-08-03 cs.RO
Efficient Real-Time Radial Distortion Correction for UAVs
Centre for Mathematical Sciences Lund University（隆德大学数学科学中心）；Linköping University（林雪平大学）
提出了一种适用于配备惯性测量单元（IMU）的无人机（UAV）的星上径向畸变校正新算法，该算法实时的【形】运行。这种方法使校准程序变得多余，从而允许临时更换光学器件。通过利用IMU数据，相机可以与重力方向对准。这使我们能够以更少的自由度工作，并为进一步的内在校准打开了大门。我们提出了一个快速和强大的最小求解器，同时估计焦距，径向失真轮廓和运动参数从单应性。所提出的求解器进行测试的合成和真实的数据，并执行更好或等同于国家的最先进的方法依赖于预校准程序。
2020-10-08 cs.CV cs.RO
Real-Time Hybrid Mapping of Populated Indoor Scenes using a Low-Cost Monocular UAV
University of Oxford（牛津大学）
近年来，无人机（UAV）已被用于许多应用，从城市搜索和救援到农业测量，再到自主地下矿山勘探。然而，在狭窄的室内空间（特别是靠近人类的空间）部署无人机仍然是一个挑战。当需要有限的有效载荷时，一种解决方案是使用微型无人机，这对人类构成的风险较小，并且在坠毁后更换的成本通常较低。然而，微型无人机只能携带有限的传感器套件，例如单目相机而不是立体对或LiDAR，这使得密集映射和无标记多人3D人体姿态估计等任务变得复杂，这些任务需要在人们周围的紧密环境中操作。单目的方法，这样的任务存在，密集的单目映射方法已经成功地部署无人机应用。然而，尽管最近有许多关于基于标记和无标记的多UAV单人运动捕捉的工作，但无标记单相机多人3D人体姿态估计仍然是一种早期阶段的技术，我们不知道现有的尝试将其部署在空中环境中。在本文中，我们提出了什么是因此，据我们所知，第一个系统，同时进行映射和多人的三维人体姿态估计从单目摄像机安装在一个单一的无人机。特别是，我们展示了如何松散地耦合最先进的单目深度估计和单目3D人体姿态估计方法，以实时的重建填充室内场景的混合地图。我们通过对大规模ScanNet和GTA-IM数据集的广泛实验来验证我们的组件级设计选择。为了评估我们的系统级性能，我们还构建了一个新的牛津混合映射数据集的人口室内场景。
2022-03-04 cs.CV cs.RO
BatMobility: Towards Flying Without Seeing for Autonomous Drones
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对无人机光学传感器在恶劣环境下易失效的问题，提出纯毫米波雷达感知系统BatMobility，实现无线电流估计与避障，在多场景下性能媲美甚至优于商用光学传感器。
2023-07-21 cs.CV cs.RO
Fusion of Real Time Thermal Image and 1D/2D/3D Depth Laser Readings for Remote Thermal Sensing in Industrial Plants by Means of UAVs and/or Robots
University of Manchester（曼彻斯特大学）
本文介绍了快速的热红外遥感程序在黑暗中，GPS拒绝的环境，如在高压直流（HVDC）换流站等工业厂房。这些程序基于从一维LIDAR激光或二维Hokuyo激光或3D MultiSense SLB激光传感器获得的深度估计与来自FLIR Duo R双传感器热成像相机的可见光和热成像相机的组合。这些传感器/摄像机的组合适合安装在无人驾驶飞行器（UAV）和/或机器人上，以便提供关于可能在危险环境中发现的潜在故障的可靠信息。例如，从结果的准确性和所需的计算时间的角度评估了与一维激光雷达传感器和FLIR Duo R双传感器热成像相机相结合的开发软件和硬件系统的能力：所获得的计算时间在10 ms以下，最大定位误差为8 mm，测量温度的平均标准偏差为1.11摄氏度，这些结果是针对多个测试情况获得的。本文的结构如下：用于识别和定位的热点在工业厂房的系统的描述是在第二节。在第三节中，描述了利用一维激光雷达激光传感器和热图像进行工厂故障识别和定位的方法以及结果。第四部分介绍了实时的热图像处理。第V节描述了2维深度激光Hokuyo和热图像的融合。第VI节描述了3D MultiSense SLB激光和热图像的组合。第七节进行了讨论并得出若干结论。
2020-06-04 cs.CV cs.RO cs.SY
Robust Reinforcement Learning Algorithm for Vision-based Ship Landing of UAVs
Texas A&M University（得克萨斯农工大学）
研究了一种具有垂直起降能力的无人机自主着舰算法，该算法仅使用无人机中的单目摄像机进行跟踪和定位。船舶着舰是一项具有挑战性的任务，由于小的着陆空间，六个自由度的船舶甲板运动，有限的视觉参考定位，以及恶劣的环境条件，如阵风。我们首先开发了一种计算机视觉算法，该算法使用来自无人机上的单目视觉相机的图像流来估计无人机相对于着陆平台上的水平基准杆的相对位置。我们的方法是由海军直升机飞行员跟踪地平线参考栏作为视觉提示的实际船舶着陆程序的动机。然后，我们开发了一个强大的强化学习（RL）算法，用于控制无人机对着陆平台，即使在恶劣的环境条件下，如阵风。我们证明了我们的算法相比，一个基准的非线性PID控制方法的优越性能，无论是在模拟实验中使用的露台环境和在现实世界中的设置使用鹦鹉ANAFI四旋翼和亚尺度船舶平台进行6自由度（DOF）甲板运动。
2022-09-17 cs.RO
CNN-based Human Detection for UAVs in Search and Rescue
Vel Tech - Technical University（Vel Tech 技术大学）
无人机（Unmanned Aerial Vehicles，简称UAV）以其机动灵活、障碍物少等特点，替代普通飞行器在搜救领域的应用正在世界范围内得到广泛研究，其主要任务包括搜救两个方面。本文提出了一种方法的第一个任务的搜索和检测受害者使用一种类型的卷积神经网络技术，Single Shot Detector（SSD）模型，与四轴飞行器的硬件平台，一种类型的无人机。研究中使用的模型是一个预先训练好的模型，并应用于测试Raspberry Pi Model B，该模型连接在Quadcopter上，而Quadcopter底部配备了一个摄像头，可以从上方进行搜索和检测。本研究中的四轴飞行器是一个DIY的硬件模型，使用加速度计和陀螺仪传感器和超声波传感器作为平衡控制的必要组件，然而，这些传感器容易受到模型上的驱动力所引起的噪声，如电机的振动，因此，PID控制器的问题，噪声处理的传感器也在论文中提到。实验结果证明，四轴飞行器能够稳定飞行，SSD模型在树莓派Model B上运行良好，处理速度为3 fps，在距离物体1 ~ 20米的范围内检测效果最好。
2021-10-05 cs.CV cs.RO
Target Chase, Wall Building, and Fire Fighting: Autonomous UAVs of Team NimbRo at MBZIRC 2020
Autonomous Intelligent Systems Group（自主智能系统研究组）；University of Bonn（波恩大学）
2020年穆罕默德·本·扎耶德国际机器人挑战赛（MBZIRC）为无人机（UAV）带来了各种挑战。我们介绍了我们的四个定制的无人机，专门为MBZIRC的个人空中机器人任务开发，包括定制的硬件和软件组件。在挑战1中，使用高效率的机载目标检测管线来追踪目标UAV，以从目标UAV捕获球。第二架无人机使用类似的探测方法来发现并弹出散布在整个竞技场的气球。对于挑战2，我们展示了一种能够自主空中操作的大型无人机：从相机图像中找到并跟踪砖块。随后，它们被接近、挑选、运输并放置在墙上。最后，在挑战3中，我们的无人机使用激光雷达和热成像仪自动发现火灾。它用机载灭火器灭火。虽然每个机器人都具有特定任务的子系统，但所有无人机都依赖于为这一特定和未来比赛开发的标准软件堆栈。我们主要介绍我们的开源软件解决方案，包括用于系统配置、监控、强大的无线通信、高级控制和敏捷轨迹生成的工具。为了解决MBZIRC 2020任务，我们在机器视觉和轨迹生成等多个研究领域推进了最先进的技术。我们介绍了我们的科学贡献，这些贡献构成了我们算法和系统的基础，并分析了2020年阿布扎比MBZIRC竞赛的结果，我们的系统在大挑战赛中获得了第二名。此外，我们还讨论了我们参与这一复杂的机器人挑战的经验教训。
2022-01-11 cs.RO
AU-AIR: A Multi-modal Unmanned Aerial Vehicle Dataset for Low Altitude Traffic Surveillance
Aarhus University（奥胡斯大学）
安装有摄像机的无人驾驶飞行器（UAV）具有捕获空中（鸟瞰）图像的优势。航空视觉数据的可用性和目标检测算法的最新进展，导致计算机视觉界关注航空图像上的目标检测任务。因此，引入了几个航空数据集，包括带有物体注释的视觉数据。无人机在这些数据集中仅用作飞行摄像机，丢弃关于飞行的不同数据类型（例如，时间、位置、内部传感器）。在这项工作中，我们提出了一个多用途航空数据集（AU-AIR），它具有多模态传感器数据（即，视觉、时间、位置、高度、IMU、速度）。AU-AIR数据集包括用于提取的帧的元数据（即，交通相关对象类别的限界框注释）。此外，我们强调自然和航空图像的背景下，目标检测任务之间的差异。为此，我们在AU-AIR数据集上训练和测试移动物体检测器（包括YOLOv 3-Tiny和MobileNetv 2-SSDLite），这些检测器适用于使用带有UAV的单板计算机进行实时目标检测。由于我们的数据集具有记录数据类型的多样性，它有助于填补计算机视觉和机器人之间的空白。该数据集可在https://bozcani.github.io/auairdataset上获得。
2020-02-03 cs.CV cs.RO
Towards Quadruped-Provided Localization and Active Tracking for Micro-UAVs
IT University of Copenhagen（哥本哈根信息技术大学）；Helix Lab（Helix实验室）；Novo Nordisk A/S（诺和诺德公司）
本文提出由四足机器人搭载机械臂和摄像头，通过检测微型无人机上的AprilTag标记物，为其提供外部定位并主动跟踪，从而减轻无人机载荷，实现高精度自主飞行。
2026-10-06 cs.RO
Threat-Aware UAV Dodging of Human-Thrown Projectiles with an RGB-D Camera
基于RGB-D相机，该研究提出了一种实时规避系统，利用人体姿态估计和深度信息预测攻击轨迹，并通过不确定性感知策略提升无人机规避能力。
2025-11-28 cs.RO
USTC FLICAR: A Sensors Fusion Dataset of LiDAR-Inertial-Camera for Heavy-duty Autonomous Aerial Work Robots
University of Science and Technology of China（中国科学技术大学）
本文提出USTC FLICAR数据集，基于高空作业车配备多传感器并利用SAM生成语义标注，填补了重型自主高空作业机器人SLAM与3D重建的数据空白。
2023-07-27 cs.CV cs.RO
MIXED-SENSE: A Mixed Reality Sensor Emulation Framework for Test and Evaluation of UAVs Against False Data Injection Attacks
School of Aeronautics and Astronautics, Purdue University（普渡大学航空航天学院）
本研究提出高保真混合现实传感器仿真框架MIXED-SENSE，结合Gazebo仿真与动作捕捉系统复现传感器信号特征，可测试评估无人机对抗虚假数据注入攻击的韧性，并通过GNSS攻击实验验证了框架有效性。
2024-07-12 cs.RO
MF-UAVPose6D: A Model-Free Monocular 6-DoF Pose Estimation Framework for Fixed-Wing UAVs
School of Aerospace Engineering, Beijing Institute of Technology（北京理工大学航空工程学院）；Technology Innovation Institute（技术创新研究所）
提出一种无模型单目6自由度姿态估计框架MF-UAVPose6D，通过热图引导中心定位、视角感知模块、动态拓扑采样和解耦平移旋转解码，实现无需CAD模型的固定翼无人机姿态估计。
2026-06-29 cs.CV cs.RO
A 360-Degree Vision Dataset for Learning Yaw Control on GPS-Denied Micro-UAVs in Disaster-Response-Relevant Environments
Westphalian University of Applied Sciences (WHS)（威斯特伐利亚应用科学大学（WHS））
该研究针对GPS拒止的灾难响应环境，构建360度视觉数据集，提出基于卷积神经网络的偏航控制方法，经测试验证其可行性与实用性。
2026-08-21 cs.CV
Vision-based GNSS-Free Localization for UAVs in the Wild
University of Turku（图尔库大学）
考虑到无人机在工业和研究场景中应用的加速发展，越来越需要使用基于视觉的无GNSS方法在非城市环境中定位这些航空系统。本文提出了一种基于视觉的定位算法，利用深度特征计算无人机在野外飞行的地理坐标。该方法基于无人机相机捕获的RGB照片的显著特征与由地理参考开源卫星图像组成的预先构建的地图的部分相匹配。实验结果表明，基于视觉的定位具有相当的精度与传统的基于GNSS的方法，作为地面实况。与最先进的视觉里程计（VO）方法相比，我们的解决方案专为长距离高空无人机飞行而设计。代码和数据集可在https://github.com/TIERS/wildnav上获得。
2022-10-18 cs.RO
SeaDroneSim: Simulation of Aerial Images for Detection of Objects Above Water
University of Maryland（马里兰大学）；University of Maryland Extension（马里兰大学推广部）
针对海洋环境下无人机视觉检测所需真实训练数据获取成本高的问题，研究提出可生成带分割真值的仿真航拍数据集的SeaDroneSim基准套件，仅用其合成数据检测BlueROV便在真实图像上达71 mAP，提供了对应检测基准。
2022-11-18 cs.CV cs.RO
LIDAR-based Stabilization, Navigation and Localization for UAVs Operating in Dark Indoor Environments
Faculty of Electrical Engineering, Czech Technical University in Prague（捷克技术大学电气工程学院）
无人机在封闭环境中的自主操作需要精确和可靠的姿态估计，该姿态估计可以在不使用外部定位系统（例如GNSS）的情况下稳定无人机。在这项工作中，我们关注的是估计的姿态从激光扫描产生的廉价和轻便的激光雷达。我们提出了一个定位系统的轻量级（下200克）激光雷达传感器在任意环境中，其他方法失败的高可靠性。所提出的方法的一般性质允许在广泛的应用中部署。此外，不同类型的环境之间的无缝转换是可能的。LIDAR定位的优点是它对不良照明具有鲁棒性，这对于在黑暗的室内环境中以及在室内和室外环境之间过渡的情况下基于相机的解决方案来说通常是具有挑战性的。我们的方法允许在照明不足的室内位置（如历史建筑和仓库）以及在紧凑的室外环境（如森林）中执行任务，其中基于视觉的方法由于场景的对比度大而失败，并且由于空间有限而无法部署大型装备精良的无人机。
2023-02-03 cs.RO
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
UAVs and Birds: Enhancing Short-Range Navigation through Budgerigar Flight Studies
American International University-Bangladesh（孟加拉美国国际大学）
本研究通过三维重建分析虎皮鹦鹉起飞、飞行、降落的速度与加速度模式，构建相关数据集，提炼仿生飞行原理以应用于无人机算法，提升无人机短程导航等能力。
2024-07-09 cs.AI cs.CV cs.RO
Distance Measurement for UAVs in Deep Hazardous Tunnels
Singapore University of Technology and Design（新加坡科技设计大学）
针对深危险隧道中传统定位技术失效、标准光流法测距不准的问题，本研究为新加坡DTSS检测无人机开发了带预测机制的增强型光流测距模块，以实现无人机在该场景下的定位。
2024-09-11 cs.RO
Vision-based Target Pose Estimation with Multiple Markers for the Perching of UAVs
Sejong University（世宗大学）
针对无人机栖息时单标记物视觉位姿估计存在的近距视野丢失问题，本文提出多标记物视觉位姿估计方法，结合卡尔曼滤波与数据融合算法，实现了无人机稳定精准栖息。
2023-04-25 cs.CV cs.RO cs.SY
Zero Touch Coordinated UAV Network Formation for 360° Views of a Moving Ground Target in Remote VR Applications
University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
具有机载相机的无人机（UAV）广泛用于远程监视和视频捕获应用。在远程虚拟现实（VR）应用中，可以使用多个无人机来捕获地面目标的不同部分重叠角度，这些角度可以拼接在一起以提供360°视图。这就要求无人机的编队要能适应地面目标的运动。在本文中，我们提出了一个联合无人机编队和跟踪框架，以捕捉360°角的目标。所提出的框架使用零接触方法，以协调的方式自动和自适应地重新配置多个无人机，而不需要人为干预。它适用于军事和民用。仿真结果表明，收敛和配置的无人机与任意的初始位置和方向。该性能已经针对不同数量的无人机和不同的地面目标机动模式进行了测试。
2022-11-05 cs.RO cs.SY eess.SY
RELAX: Reinforcement Learning Enabled 2D-LiDAR Autonomous System for Parsimonious UAVs
School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）；University of Chicago（芝加哥大学）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出 RELAX 端到端框架，仅用单个 2D-LiDAR，并结合地图构建、离线规划与 RL 在线重规划，为低成本 UAV 在未知环境中提供更鲁棒的动态导航。
2024-03-02 cs.RO
Ground-to-Aerial Person Search: Benchmark Dataset and Approach
Northwestern Polytechnical University（西北工业大学）；Xidian University（西安电子科技大学）
本研究构建了首个跨平台地对空行人搜索大规模基准数据集G2APS，提出基于ReID网络头部的知识蒸馏方案，在多个数据集上取得最优性能，为地空跨平台智能监控研究提供支撑。
2023-08-24 cs.CV
Computationally Efficient Obstacle Avoidance Trajectory Planner for UAVs Based on Heuristic Angular Search Method
Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）
为了在具有挑战性的环境中完成各种任务，在避免意外障碍物的同时完全自主导航的能力是无人机在实际应用中最关键的要求。在本文中，我们提出了这样一个计算效率高的避障轨迹规划器，可用于在混乱的未知环境。由于无人机上单个深度摄像机的视场较窄，周围障碍物的信息非常有限，难以实现最短的整条路径。因此，我们专注于轨迹规划器的时间成本和安全性，而不是其他因素。该规划器主要由点云处理器、基于启发式角度搜索的航路点发布器和基于最小加速度优化的运动规划器组成。此外，我们提出了几种技术，以提高安全性，使找到一个可行的轨迹尽可能大的可能性。所提出的方法被实现为实时运行在船上，并在仿真中进行了广泛的测试，迭代步骤的平均控制输出计算时间小于18 ms。
2020-12-28 cs.RO
Vision-based Safe Autonomous UAV Docking with Panoramic Sensors
University of Turku（图尔库大学）；Tampere University（坦佩雷大学）
针对无人机对接的安全隐患，提出基于单台向上全景相机的视觉方案，结合YOLOv7、XGBoost及ROS、PX4框架，实现人员检测与着陆状态切换，经仿真和室内实验验证有效。
2023-10-06 cs.RO
On the Visual-based Safe Landing of UAVs in Populated Areas: a Crucial Aspect for Urban Deployment
Center for Research in Mathematics CIMAT AC（数学研究中心（CIMAT AC））
无人机（UAV）在拥挤场景中的自主着陆对于在人口密集地区成功部署UAV至关重要，特别是在紧急着陆情况下，最高优先级是避免伤害人员。在这项工作中，提出了一种新的基于视觉的算法，用于在拥挤的场景中识别安全着陆区（SLZ），考虑安装在无人机上的相机，其中场景中的人以未知的动态移动。为此，使用深度神经网络为每个图像帧生成密度图，从中获得二进制占用图，旨在出于安全原因高估人的位置。然后，将占用图投影到头部平面，并获得SLZ候选者作为头部平面中具有最小安全半径的圆形区域。最后，为了跟踪SLZ候选者，使用卡尔曼滤波器以及匈牙利算法进行数据关联来实现多实例跟踪算法。研究了几种场景来证明所提出的策略的有效性，包括公共数据集和真实的不受控制的场景，其中人们在公共广场上移动，从飞行中的无人机上拍摄。该研究在防止无人机在紧急降落时伤人的研究方面取得了可喜的成果。
2021-02-26 cs.RO
Intelligent Vision-based Autonomous Ship Landing of VTOL UAVs
S.Korean Navy（韩国海军）；Texas A&M University（得克萨斯农工大学）
针对垂直起降无人机（VTOL）在不利用GPS信号的情况下自主跟踪和着陆的问题，提出了一种基于智能视觉的控制方案。其核心思想涉及自动化海军直升机船舶着陆程序，其中飞行员利用船舶作为远程跟踪的视觉参考;然而，指的是安装在大多数海军船舶上的标准化视觉提示，称为“地平线酒吧”，用于最后的方法和着陆阶段。这个想法是实现使用一个独特的设计与机器视觉集成的非线性控制器。视觉系统利用基于机器学习的目标检测进行远程船舶跟踪，并利用经典的计算机视觉在最后进场和着陆阶段利用水平杆估计飞机的相对位置和方向。该非线性控制器基于视觉系统估计的信息进行操作，并且即使在存在不确定性的情况下也表现出鲁棒的跟踪性能。所开发的自主船舶着陆系统在配备机载摄像头的四旋翼无人机上实现，并在移动甲板上成功演示了接近和着陆，该甲板模仿了真实的船舶甲板运动。进行了广泛的模拟和飞行试验，以证明垂直着陆的安全性，跟踪能力和着陆精度。
2022-09-17 cs.RO
Detecting and avoiding frontal obstacles from monocular camera for micro unmanned aerial vehicles
Heriot Watt University（赫瑞瓦特大学）
在文献中，有几种方法试图使无人机自主飞行，即，通过提取诸如直线的透视线索。然而，它只适用于定义良好的人造环境，除了许多其他线索，需要足够的纹理信息。我们的主要目标是检测和避免正面障碍物从单目摄像机使用四旋翼Ar.无人机2通过利用光流作为运动视差，无人机被允许以1 m/s的速度飞行，高度范围从地面以上1至4米。由于光流具有一定的局限性，即受光照条件和孔径的影响，因此探测和避开前方障碍物是一个非常具有挑战性的问题。
2016-04-03 cs.RO
Vision-Based Distributed Formation Control of Unmanned Aerial Vehicles
University of Texas at Dallas（德克萨斯大学达拉斯分校）；Air Force Research Laboratory（空军研究实验室）
我们提出了一种新的控制策略，一队无人机（UAV），自主实现所需的形成，只使用由无人机的机载摄像头提供的视觉反馈。这有效地消除了对全球位置测量的需要。拟议的管道是完全分布式的，并包括一个避免冲突的计划。在我们的方法中，每个无人机从捕获的图像中提取特征点，并在其邻居之间传递其像素坐标和描述符。这些特征点被用于我们的新的姿态估计算法，QuEst，本地化邻近的无人机。与现有的方法相比，QuEst具有更好的估计精度和对特征点退化的鲁棒性。我们在高保真仿真环境中演示了所提出的管道，并表明无人机可以在没有任何基准标记的自然环境中实现所需的编队。
2018-09-01 cs.RO
CST Anti-UAV: A Thermal Infrared Benchmark for Tiny UAV Tracking in Complex Scenes
Nanchang Hangkong University（南昌航空大学）；Beihang University（北京航空航天大学）；Chinese Academy of Sciences（中国科学院）
针对现有反无人机跟踪数据集场景单一、缺乏微型目标的问题，本文构建热红外基准CST Anti-UAV，通过多方法评测验证了现有跟踪器的性能短板，将支撑相关技术迭代。
2025-11-19 cs.CV
Vision-Based Leader-Follower Formation Control for Cooperative UAVs in GPS-Degraded Environments
Autonomous Robotics Systems Limited（自主机器人系统有限公司）；University of Hyderabad（海得拉巴大学）；Ideabytes Software India Private Limited（Ideabytes软件印度私人有限公司）；Georgia Institute of Technology（佐治亚理工学院）；Tata Consultancy Services（塔塔咨询服务公司）；University of Malaya（马来亚大学）
本文提出一种基于视觉的多无人机协同编队框架，通过YOLO检测器结合RGB-D相机实现领无人机实时定位，在GPS退化环境下可维持稳定编队，为现实应用提供实用基础。
2026-09-02 cs.RO
DRAL: Deep Reinforcement Adaptive Learning for Multi-UAVs Navigation in Unknown Indoor Environment
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, Irvine（加利福尼亚大学欧文分校）；George Washington University（乔治·华盛顿大学）；Beijing Sineva Robot Technology Co., Ltd（北京思知机器人科技有限公司）；University of Southern California（南加利福尼亚大学）；Santa Clara University（圣克拉拉大学）；Mangosuthu University of Technology（曼戈苏图科技大学）
本文提出DRAL算法，利用单摄像头和深度强化学习实现无人机室内自主导航与多机协作举物，提升了复杂多智能体系统的鲁棒性与灵活性。
2024-12-23 cs.RO
Large-Scale Geometric Map-Based Localization of UAVs in GNSS-Denied Urban Environments
Colorado School of Mines（科罗拉多矿业大学）
针对无GNSS城市环境中的无人机定位，提出基于建筑足迹几何匹配的视觉定位系统，利用几何驱动描述符实现大范围鲁棒定位，在113-452平方公里搜索区域内Recall@1达100%至71.4%。
2026-09-24 cs.RO
Ground Plane-Aided Extrinsic Calibration of Inertial and RGB-D Sensors for Uncrewed Aerial Vehicles
University of Calgary（卡尔加里大学）
提出一种无需标定板的方法，利用深度学习地面分割提取深度图像中的地面点，结合法向量与重力向量鲁棒估计IMU与RGB-D相机的外参，性能优于MATLAB工具箱且与Kalibr相当。
2026-07-01 cs.RO
Drone Carrier: An Integrated Unmanned Surface Vehicle for Autonomous Inspection and Intervention in GNSS-Denied Maritime Environment
Khalifa University（哈利法大学）；National Research Council（国家研究委员会）；Beijing Institute of Technology（北京理工大学）
本文提出一种无人机母舰概念，集成多无人机与无人水面艇，在GNSS拒止环境中实现自主巡检与干预，并在MBZIRC2024中成功演示。
2025-01-22 cs.AI cs.RO
UAV Tracking with Lidar as a Camera Sensors in GNSS-Denied Environments
University of Turku（图尔库大学）
提出融合单个 LiDAR-as-a-camera 传感器生成的全景图像与点云，利用自定义 YOLOv5 检测并实时持续跟踪无先验初始位置的无人机。
2023-08-14 cs.RO
A Novel Fully Annotated Thermal Infrared Face Dataset: Recorded in Various Environment Conditions and Distances From The Camera
The William States Lee College of Engineering（威廉·斯泰茨·李工程学院）；The College of Arts and Architecture（艺术与建筑学院）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
面部热成像是红外热成像领域中最热门的研究领域之一，在医疗、监视和环境监测方面具有广泛的应用。然而，与视觉光谱中的面部图像相比，缺乏面部热图像的公共数据集是这一领域研究改进的障碍。人脸热成像是一个相对较新的研究领域，目前的人脸热成像数据集在受试者与摄像机的距离、环境温度变化和人脸标志点定位等方面都存在局限性。我们通过提出一个新的面部热成像数据集来解决这些差距。这篇文章对知识体系做出了两个主要贡献。首先，它提出了一个全面的审查和比较目前的公共数据集在面部热成像。其次，介绍和研究了一种新的面部热成像公共数据集，我们称之为Charlotte-ThermalFace。Charlotte-ThermalFace包含了超过10000个不同温度条件下的红外热图像，距离摄像机的几个距离，以及不同的头部位置。这些数据完全注释了面部标志、环境温度、相对湿度、房间的空气速度、到相机的距离以及拍摄每张图像时的受试者热感觉。我们的数据集是第一个公开可用的热数据集，注释了每个受试者在不同热条件下的热感觉，也是少数几个原始16位格式的数据集之一。最后，我们提出了一个初步的分析数据集显示的适用性和重要性的面部热成像的热条件。完整的数据集，包括注释，可在https://github.com/TeCSAR-UNCC/UNCC-ThermalFace上免费获得，以供研究之用
2022-04-29 cs.CV
Peacock Exploration: A Lightweight Exploration for UAV using Control-Efficient Trajectory
Korea Advanced Institute of Science and Technology（韩国科学技术院）
近年来，无人机因其广泛的应用而受到广泛关注，如在未知环境中进行探测以获取三维地图，而现有的探测方法面临着计算量大的概率路径规划的挑战。同样，考虑到无人机的有效载荷，也没有考虑运动动力学约束或适当的传感器。在本文中，为了解决这些问题，并考虑到有限的有效载荷和计算资源的无人机，我们提出了“孔雀探索”：一个轻量级的探索方法，无人机使用预先计算的最小快照轨迹，看起来像一个孔雀的尾巴。使用广为人知的、控制有效的最小捕捉轨迹和最小地图，配备RGB-D相机的UAV可以在没有任何先验知识或人类引导的情况下探索未知的3D环境，仅具有O（logN）计算复杂性。它还采用了滚动时域方法和简单的启发式评分标准。通过探索具有挑战性的3D迷宫环境，并与最先进的算法进行比较，证明了该算法的性能。
2020-12-29 cs.RO
LSVL: Large-scale season-invariant visual localization for UAVs
Saab Finland Oy（萨博芬兰公司）
针对无人机在无初始位姿、无预定航线且GNSS受扰时的定位问题，提出基于季节不变描述子匹配正射无人机图像与卫星影像的大规模全局视觉定位方法，并在真实数据和嵌入式平台验证其精度与实时性。
2022-12-07 cs.RO
Cooperative Multi-Agent Deep Reinforcement Learning for Reliable Surveillance via Autonomous Multi-UAV Control
Korea University（高丽大学）；Mofl Inc.（Mofl公司）；Hallym University（翰林大学）；University of Central Florida（中佛罗里达大学）；Ajou University（亚洲大学）
使用无人机（UAV）进行基于CCTV的监控被认为是智能城市环境中安全的关键技术。本文创建了一个案例，其中的无人机与闭路电视摄像机飞越城市地区的灵活和可靠的监视服务。无人机的部署应覆盖大面积，同时尽量减少重叠和阴影区域，以建立可靠的监视系统。然而，无人机的操作受到高度不确定性的影响，需要自主回收系统。这项工作开发了一种基于多智能体深度强化学习的管理方案，用于智能城市应用中的可靠行业监控。本文采用的核心思想是自主补充无人机的通信不足的网络需求。通过密集的模拟，我们提出的算法优于国家的最先进的算法在监视覆盖范围，用户支持能力和计算成本。
2022-01-15 cs.AI cs.LG cs.RO
SkyEV: RGB-Event UAV detection and tracking dataset and baseline
ETH Zurich（苏黎世联邦理工学院）
针对无人机检测数据集存在的问题，引入开源数据集SkyEV，其含高度同步的未压缩RGB和基于事件的数据，能捕捉复杂现实条件。提供统一数据加载器，用多模态架构建立实验基线，证明该数据集对检测小尺度目标有效。
2026-07-22 cs.CV
SOAR: Simultaneous Exploration and Photographing with Heterogeneous UAVs for Fast Autonomous Reconstruction
School of Artificial Intelligence, Sun Yat-Sen University（中山大学人工智能学院）；School of Electronics And Information, Northwestern Polytechnical University（西北工业大学电子信息学院）；Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系）；Department of Automation, North China Electric Power University（华北电力大学自动化系）；The Hong Kong University of Science and Technology（香港科技大学）
SOAR提出LiDAR-视觉异构多无人机系统，通过表面前沿探索、一致多仓库多旅行商问题视点分配和最优覆盖路径规划，实现复杂环境快速自主重建。
2024-09-04 cs.RO
Evidential Detection and Tracking Collaboration: New Problem, Benchmark and Algorithm for Robust Anti-UAV System
Jiangnan University（江南大学）；Institute of North Electronic Equipment（北方电子设备研究所）；Intelligent Game and Decision Laboratory（智能博弈与决策实验室）；Peng Cheng Laboratory（鹏城实验室）；National University of Singapore（新加坡国立大学）；Beijing Institute of Basic Medical Sciences（北京基础医学研究所）；Beijing Institute of Technology（北京理工大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Beijing University of Posts and Telecommunications（北京邮电大学）；PhiGent Robotics（鉴智机器人）；Tsinghua University（清华大学）
本文提出无先验信息的复杂场景反无人机新问题，构建最大规模数据集AntiUAV600，并设计证据式检测与跟踪协同算法，实验证明其优于现有方法。
2023-07-04 cs.CV
AIVIO: Closed-loop, Object-relative Navigation of UAVs with AI-aided Visual Inertial Odometry
University of Klagenfurt（克拉根福大学）
本文提出 AIVIO 无人机系统，用 RGB 相机与 IMU、合成数据训练并部署优化的深度学习位姿估计器实现实时物体相对闭环定位，并通过电线杆检查实飞验证。
2024-10-08 cs.RO
JointLoc: A Real-time Visual Localization Framework for Planetary UAVs Based on Joint Relative and Absolute Pose Estimation
School of Aeronautics and Astronautics, University of Chinese Academy of Sciences（中国科学院大学航空宇航学院）；Technology and Engineering Center for Space Utilization, Chinese Academy of Sciences（中国科学院空间应用工程与技术中心）；School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）
针对行星场景缺地标、卫星图与无人机图像模态差异导致的定位精度与实时性下降问题，提出自适应融合绝对2自由度与相对6自由度位姿的JointLoc框架，在自建跨模态数据集上实现了优于ORB-SLAM2/3的定位精度。
2024-05-13 cs.RO
Deep Reinforcement Learning based Autonomous Decision-Making for Cooperative UAVs: A Search and Rescue Real World Application
School of Science（科学学院）；Technology City St George's University of London London, United Kingdom（圣乔治伦敦大学技术学院伦敦英国）
本文提出基于深度强化学习的自主决策框架，用于室内搜索与救援任务，通过APF奖励和图注意力网络实现高效任务分配与导航，实现实时厘米级稳定性，取得竞赛第一名。
2026-02-16 cs.AI cs.RO
V2X Communication Between Connected and Automated Vehicles (CAVs) and Unmanned Aerial Vehicles (UAVs)
The Ohio State University（俄亥俄州立大学）
地面车辆之间的连通性可以得到利用和扩大，以包括用于协调任务的飞行器。使用V2X通信技术，可以在互联和自动驾驶车辆（CAV）与无人机（UAV）之间建立通信链路。地空通信链路的硬件实现和测试对于实际应用至关重要。建立了两种不同的通信链路，专用短程通信（DSRC）和基于4G互联网的WebSocket通信。这两个链接分别测试静态和动态测试用例。更进一步，这两个链接一起用于称为Quick Clear演示的真实用例场景。目的是首先通过DSRC通信将地面车辆位置信息从CAV发送到UAV。在无人机侧，DSRC调制解调器和树莓派配对计算机之间的连接通过用户数据报协议（UDP）建立，以将CAV位置信息发送到配对计算机。Raspberry Pi处理两种不同的连接，它首先通过传输控制协议（TCP）连接到交通应急管理系统（CMP），将CAV和UAV的位置信息发送给CMP。其次，Raspberry Pi使用WebSocket通信连接到Web服务器，以发送无人机机载相机拍摄的照片。快速清除演示进行了静态测试和动态飞行测试。结果表明，这种通信结构可以用于现实生活中的场景。
2021-09-02 cs.MA cs.RO cs.SY
Towards Non-Robocentric Dynamic Landing of Quadrotor UAVs
The Hong Kong Polytechnic University（香港理工大学）；The University of Newcastle（纽卡斯尔大学）；The Hong Kong University of Science and Technology（香港科技大学）
本文提出一种无需机载外部传感器和昂贵计算单元的四旋翼动态着陆方案，通过地面相机与LED标记实现非惯性系相对状态估计，并利用微分平坦与二次规划生成最小加加速度着陆轨迹，实验验证了其可行性与传统方法相当的性能。
2024-01-21 cs.RO cs.SY eess.SY
