Aggressive Trajectory Generation for A Swarm of Autonomous Racing Drones
Zhejiang University（浙江大学）；Zhejiang University of Technology（浙江工业大学）；Northwestern Polytechnical University（西北工业大学）
自主无人机竞赛正在成为挑战四旋翼自主技术的绝佳平台，包括规划，导航和控制技术。然而，关于这个主题的大多数研究主要集中在单个无人机场景。在本文中，我们描述了一种新的时间最优轨迹生成方法，用于生成时间最优轨迹，使一群四旋翼飞行器以其最大机动性无碰撞地通过预定义的航路点。我们在Gazebo仿真中验证了该方法，其中5个四旋翼的群可以在35 m * 35 m的空间中以14 m/s的最高速度飞行通过复杂的6路点赛道。在4 m × 2 m的飞行平台上，对两个四旋翼飞行器进行了通过3个航路点的飞行试验，验证了该方法的可行性。仿真和实际飞行测试表明，该方法可以为一群自主竞赛无人机生成最优攻击轨迹。该方法也可以很容易地转移到其他类型的机器人群。
2023-03-01 cs.RO
DronePaint: Swarm Light Painting with DNN-based Gesture Recognition
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
我们提出了一种新的人类群体交互系统，允许用户直接控制一群无人机在复杂的环境中，通过轨迹绘制与手势接口的基础上，基于DNN的手势识别。开发的基于CV的系统允许用户通过人类的手势和运动实时控制群体行为，而无需额外的设备，提供方便的工具来改变群体的形状和形成。提出并实现了两种类型的交互来调整群体的层次结构：轨迹绘制和自由形式轨迹生成控制。实验结果表明，手势识别系统的准确性高（99.75%），允许用户实现相对较高的精度的轨迹绘制（平均误差为5.6厘米相比，3.1厘米的鼠标绘图）在三个评估的轨迹模式。所提出的系统可以潜在地应用于复杂环境探索、使用无人机的喷漆和交互式无人机表演，允许用户通过无人机群来创建自己的艺术对象。
2021-07-23 cs.RO
Smooth time optimal trajectory generation for drones
Cockrell School of Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校科克雷尔工程学院）
在本文中，我们解决了一个最小的时间转向问题的无人机建模为点质量有界加速度，在一组所需的航路点在重力的存在。首先，我们提供了一种方法来解决的最小时间控制输入，将引导点质量之间的两个航路点的基础上，我们使用庞特里亚金的最小值原则解决的连续时间问题的制定。随后，我们通过在时域中离散化并将最小时间问题制定为非线性规划（NLP）来求解给定的一组航路点上的时间最优轨迹。在每个航路点的速度从解决NLP在离散域中，然后被用作边界条件，以扩展我们的两点解决方案跨越这些多个航路点。我们应用这种规划方法来执行测量任务，最大限度地减少完全探索目标区域或体积所需的时间。数值模拟和理论分析，这种新的规划方法。我们的方法的结果也比较传统的多项式轨迹，如最小捕捉规划。
2022-02-18 cs.RO
From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting
UC Berkeley（加州大学伯克利分校）；Technical University of Munich（慕尼黑工业大学）
人体轨迹预测是一个固有的多模态问题。未来轨迹的不确定性源于两个来源：（a）智能体已知但模型未知的来源，例如长期目标;（b）智能体和模型都未知的来源，例如其他智能体的意图和不可约随机性犹豫不决。我们建议将这种不确定性分解为认识性和任意性的来源。我们通过长期目标中的多模态来模拟认知的不确定性，通过路点和路径中的多模态来模拟任意的不确定性。为了消除这种二分法，我们还提出了一种新的长期轨迹预测设置，预测范围长达一分钟，比以前的作品长一个数量级。最后，我们介绍Y-net，一个场景兼容的轨迹预测网络，利用所提出的认知和任意结构在长期预测范围内进行多种轨迹预测。Y-net显着提高了先前最先进的性能（a）斯坦福无人机和ETH/UCY数据集上经过充分研究的短期预测范围设置和（b）重新提出的长期预测范围设置。斯坦福无人机和交叉无人机数据集。
2020-12-02 cs.AI cs.CV cs.RO
Label-Free Long-Horizon 3D UAV Trajectory Prediction via Motion-Aligned RGB and Event Cues
Jianghan University（江汉大学）；Nanyang Technological University（南洋理工大学）；Beihang University (BUAA)（北京航空航天大学）
本文提出一种无监督视觉方法，利用LiDAR点云提取轨迹并与图像对齐生成伪标签，结合运动学估计和视觉Mamba网络实现无人机长时域三维轨迹预测，在MMAUD数据集上将5秒三维误差降低约40%。
2025-07-04 cs.RO
Scene Induced Multi-Modal Trajectory Forecasting via Planning
University of California, San Diego（加州大学圣迭戈分校）
我们解决多模态轨迹预测的代理在未知的场景制定它作为一个规划问题。我们提出了一种方法，包括三个模型;一个目标预测模型，以确定潜在的目标的代理，逆强化学习模型，以规划最佳路径到每个目标，和轨迹生成器，以获得未来的轨迹沿规划的路径。对斯坦福无人机数据集的预测分析显示了我们对新场景的方法的普遍性。
2019-05-23 cs.CV cs.RO
Time-Optimal Gate-Traversing Planner for Autonomous Drone Racing
University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所）；University of Toronto Division of Engineering Science (EngSci)（多伦多大学工程科学系）
针对无人机竞速中忽略门配置导致路径保守的问题，提出一种时间最优过门规划器，在单旋翼推力限制下建模不同门约束，以秒级计算生成更省时轨迹，并通过仿真与真实飞行验证其可进一步缩短单圈时间。
2024-05-04 cs.RO
Coordinated Incremental Trajectory Tracking of a Tailsitter Drone
Faculty of Aerospace Engineering, Delft University of Technology（代尔夫特理工大学航空航天工程学院）
研究倾转旋翼无人机协同飞行的轨迹跟踪，基于简化空气动力学模型推导解析微分平坦变换，用旋转矩阵避免欧拉角模糊性，扩展控制器适用性，经实验验证在特定飞行状态的优势。
2026-07-14 cs.RO cs.SY eess.SY
Perception-to-Pursuit: Track-Centric Temporal Reasoning for Open-World Drone Detection and Autonomous Chasing
Sithara Inc.（Sithara公司）
P2P通过轨迹为中心的时序推理框架，提升了无人机轨迹预测精度和追捕可行性，实现了准确的预测与可操作的追捕规划。
2026-02-19 cs.CV cs.RO
An alternating peak-optimization method for optimal trajectory generation of quadrotor drones
Eindhoven University of Technology（埃因霍温理工大学）；Eindhoven Artificial Intelligence Systems Institute（埃因霍温人工智能系统研究所）
针对四旋翼时间最优轨迹生成问题，提出交替峰值优化方法，通过交替优化多项式系数与各段时间，在平滑性和运动导数硬约束下获得可行最小时间解，并经仿真与真实飞行验证性能优越。
2023-12-05 cs.RO cs.SY eess.SY
SlingDrone: Mixed Reality System for Pointing and Interaction Using a Single Drone
Skoltech（斯科尔科沃科技学院）；BYU（杨百翰大学）
我们提出了SlingDrone，一种新的混合现实交互范例，利用微型四旋翼作为指向控制器和交互式机器人与弹弓运动类型。无人机试图悬停在给定位置，而人类使用手柄和皮带将其拉向所需方向。基于位移，定义虚拟轨迹。为了实现直观和简单的控制，我们使用虚拟现实（VR）技术根据位移输入来跟踪无人机的路径。用户接收通过牵引带传播的力反馈。来自SlingDrone的力反馈与VR中的可视化轨迹相结合，创建了一个直观且用户友好的指向设备。当无人机被释放时，它会遵循VR中显示的轨迹。机载有效载荷（例如磁性抓具）可以执行与周围环境进行真实交互的各种场景，例如操纵或感测。与HTC Vive控制器不同，SlingDrone不需要手持设备，因此它可以用作VR中的独立指向技术。
2019-11-12 cs.HC cs.RO
Real-Time Sampling-based Online Planning for Drone Interception
Massachusetts Institute of Technology（麻省理工学院）
针对动态环境下高速在线规划的约束与不确定性问题，提出基于采样、用神经网络推理替代非线性优化的在线规划算法，经仿真与真实环境验证，可高效实现无人机拦截的高速实时规划与非结构化场景适应。
2025-02-20 cs.LG cs.RO cs.SY
Multi-Task Bayesian Optimization for Tuning Decentralized Trajectory Generation in Multi-UAV Systems
Dipartimento di Scienze e Tecnologie Aerospaziali, Politecnico di Milano（航空航天科学与技术系，米兰理工学院）
本文提出利用多任务贝叶斯优化调优多无人机系统中去中心化轨迹生成算法，通过比较单任务与平均任务优化策略，发现单任务优化在群体规模增大时任务时间缩短，但优化时间更长。
2025-12-09 cs.MA cs.RO
Autonomous Drone Racing with Deep Reinforcement Learning
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；RWTH Aachen University（亚琛工业大学）
在许多机器人任务中，例如自主无人机比赛，目标是尽可能快地通过一组航路点。这项任务的一个关键挑战是规划时间最优的轨迹，这通常是通过假设提前完全了解要经过的航路点来解决的。由此产生的解决方案要么是高度专业化的单轨布局，或次优，由于简化假设的平台动力学。在这项工作中，一种新的方法来近时间最优轨迹生成四旋翼。利用深度强化学习和相对门观测，我们的方法可以计算接近时间最优的轨迹，并使轨迹适应环境变化。我们的方法表现出计算的优势，基于非平凡的轨道配置的轨迹优化的方法。在模拟和现实世界中的一组赛道上对所提出的方法进行了评估，使用物理四旋翼机实现了高达60 km/h的速度。
2021-08-02 cs.AI cs.RO
CitySim: A Drone-Based Vehicle Trajectory Dataset for Safety Oriented Research and Digital Twins
本文提出CitySim无人机车辆轨迹数据集，通过五步骤处理流程获得高精度轨迹，覆盖多类道路与安全关键事件，并提供旋转边界框、三维基础地图和信号配时以支持安全研究与数字孪生。
2023-07-31 cs.CV stat.ML
Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks
Virginia Tech（弗吉尼亚理工学院）；Princeton University（普林斯顿大学）；Future Network of Intelligence Institute, Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）未来智联网络研究院）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
研究了在动态无线网络环境中能量受限的无人机群的轨迹设计问题。在所考虑的模型中，无人机基站（DBS）的团队被派遣到具有动态和不可预测的上行链路接入需求的地面用户的集群合作服务。在这种情况下，DBS必须在所考虑的区域中合作导航，以最大限度地覆盖地面用户的动态请求。这个轨迹设计问题是作为一个优化框架，其目标是找到最佳的轨迹，最大限度地提高所有DBS服务的用户的分数。为了在不可预测的环境下找到这个非凸优化问题的最优解，提出了一种结合元训练机制的基于值分解的强化学习（VDRL）解决方案.该算法允许DBS动态地学习它们的轨迹，同时将它们的学习推广到看不见的环境。分析结果表明，所提出的VD-RL算法是保证收敛到局部最优解的非凸优化问题。仿真结果表明，即使没有元训练，所提出的VD-RL算法可以实现53.2%的服务覆盖率和30.6%的收敛速度方面的改善，相比基线多智能体算法。同时，当DBS必须处理以前看不见的任务时，元学习的使用将VD-RL算法的收敛速度提高了53.8%。
2020-12-06 cs.LG cs.MA cs.RO
Minimum time trajectory generation for surveying using UAVs
在本文中，我们提出了一个运动规划无人机的策略，产生一个时间最优的轨迹调查一个给定的目标区域。有几种情况下，完成空中调查是时间敏感的，如获得第一响应者的态势感知，调查危险环境等，在这种情况下的挑战之一是为无人机规划一个时间最佳的轨迹。为此，我们提出了一个自主航测框架，最大限度地减少了使用无人机完全探索目标区域或体积所需的时间。在这项工作中，（i）我们提出了一种方法，其中对于一个已知的飞行调查模式，规划器可以生成时间最优的飞行路径在3-D（ii）我们框架的规划问题作为一个离散的非线性规划，并通过使用SOCP松弛来减少计算其解所需的时间（iii）给定的路径，然后使用一个简单的轨迹跟踪控制器上的四旋翼，以证明其在硬件上的能力。
2022-03-05 cs.RO
Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset and Consensus-Based Models
Cornell University（康奈尔大学）；University of California, Berkeley（加州大学伯克利分校）
针对非结构化道路缺乏明确路权规则导致自动驾驶运动规划困难的问题，本文提出新型数据集（含20段航拍视频等）和基于共识的建模框架，证明该框架可有效解释优先级顺序形成，为去中心化避撞规划提供可行方案。
2025-04-16 cs.CV cs.RO
Integrated Multi-Drone Task Allocation, Sequencing, and Optimal Trajectory Generation in Obstacle-Rich 3D Environments
Aerospace Engineering Department, Faculty of Aeronautics and Astronautics, Kocaeli University（科贾埃利大学航空与航天学院航空航天工程系）；Interdisciplinary Research Center for Aviation and Space Exploration, KFUPM（法赫德国王石油矿产大学航空与空间探索跨学科研究中心）；Mechanical Engineering Department, Faculty of Aeronautics and Astronautics, Kocaeli University（科贾埃利大学航空与航天学院机械工程系）
本文提出IMD-TAPP框架，通过结合离散任务规划和连续轨迹合成，解决多无人机在障碍密集环境中的任务分配、序列规划和安全轨迹生成问题，实现动态可行且无碰撞的高效路径。
2026-03-26 cs.AI cs.MA cs.RO
FlockDiffusion: Assignment-Conditioned Diffusion for Multi-Drone Task Allocation and Completion
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
提出FlockDiffusion，一种结合场景图编码器、分配头、条件扩散变压器和闭式轨迹解码器的学习框架，通过任务捆绑和教师监督，实现多无人机高效任务分配与路径规划，显著提升完成率并降低路线成本与推理延迟。
2026-09-22 cs.RO
Polynomial-based Online Planning for Autonomous Drone Racing in Dynamic Environments
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
针对动态环境无人机竞速的在线重规划难题，提出基于多项式轨迹表示的优化框架，通过硬约束保障航点穿越精度，并行多拓扑规划避免局部最优，在DJI Robomaster赛事中夺冠且完赛时间不到第二名一半。
2023-06-26 cs.RO
Rethinking Reference Trajectories in Agile Drone Racing: A Unified Reference-Free Model-Based Controller via MPPI
College of Control Science and Engineering, Zhejiang University（控制科学与工程学院，浙江大学）
本文提出一种基于MPPI的无参考无人机竞速控制方法，将门禁进度目标直接纳入优化，并与轨迹跟踪和轮廓控制在统一框架下比较，证明其性能达到或超过基于参考的方法。
2025-09-18 cs.RO
Trajectory Forecasts in Unknown Environments Conditioned on Grid-Based Plans
University of California at San Diego（加州大学圣迭戈分校）
我们解决的问题，预测行人和车辆的轨迹在未知的环境中，他们过去的运动和场景结构的条件。由于场景结构的变化和未来轨迹的多模态分布，轨迹预测是一个具有挑战性的问题。与以前的方法，直接学习一对多的映射，从观察到的背景下，多个未来的轨迹，我们提出了条件轨迹预测的计划，从一个基于网格的政策学习使用最大熵逆强化学习（MaxEnt IRL）。我们重新制定MaxEnt IRL，让政策共同推断合理的代理目标，并在场景中定义的粗2-D网格上的这些目标的路径。我们提出了一个基于注意力的轨迹生成器，生成连续值的未来轨迹的条件下，从MaxEnt政策采样的状态序列。对公开的斯坦福无人机和NuScenes数据集的定量和定性评估表明，我们的模型生成的轨迹是多样的，代表多模态预测分布，并且精确，符合长期预测范围内的底层场景结构。
2021-04-29 cs.CV cs.RO
Flying Robotics Art: ROS-based Drone Draws the Record-Breaking Mural
Lomonosov Moscow State University（莫斯科国立罗蒙诺索夫大学）；Copter Express Technologies Ltd.（Copter Express 技术有限公司）；Sverk Ltd.（Sverk 有限公司）；Cognitive Pilot Ltd.（Cognitive Pilot 有限公司）
本文提出并部署了一套基于红外运动捕捉与LiDAR融合导航的自主无人机系统，通过切向/法向差异化控制与定制喷漆机构，成功绘制世界最大无人机壁画，验证了机器人在户外大规模艺术创作中的鲁棒性与精度。
2025-11-05 cs.CV cs.RO cs.SY
TNT: Target-driveN Trajectory Prediction
Waymo LLC（Waymo有限责任公司）；Google Research（谷歌研究院）
预测移动代理的未来行为对于现实世界的应用是必不可少的。这是具有挑战性的代理和相应的行为的意图是未知的，本质上是多模态的。我们的关键见解是，对于在适度的时间范围内的预测，未来的模式可以有效地捕获一组目标状态。这导致了我们的目标驱动轨迹预测（TNT）框架。TNT有三个阶段，都是端到端培训的。它首先预测代理的潜在目标状态$T$步骤到未来，通过编码其与环境和其他代理的交互。TNT然后生成以目标为条件的轨迹状态序列。最后阶段估计轨迹似然性，并选择轨迹预测的最终紧凑集合。这与以前的工作不同，以前的工作将代理意图建模为潜在变量，并依赖于测试时采样来生成不同的轨迹。我们在车辆和行人的轨迹预测方面对TNT进行了基准测试，其中我们在Argoverse Forecasting，INTERACTION，Stanford Drone和内部行人交叉口数据集上的表现优于最先进的技术。
2020-08-21 cs.CV cs.RO
CineMPC: A Fully Autonomous Drone Cinematography System Incorporating Zoom, Focus, Pose, and Scene Composition
Instituto de Investigación en Ingeniería de Aragón（阿拉贡工程研究院）；Universidad de Zaragoza（萨拉戈萨大学）；Stanford University（斯坦福大学）
CineMPC是首个将相机内参纳入控制回路的完全自主无人机电影摄影系统，通过非线性MPC同时优化相机内外参轨迹以实现变焦、对焦等摄影效果，并已开源。
2024-01-10 cs.RO
Autonomous Drone Racing: Time-Optimal Spatial Iterative Learning Control within a Virtual Tube
Beihang University（北京航空航天大学）
针对无人机竞速中训练和比赛时间长的问题，提出一种模仿顶尖车手经验的时间最优空间迭代学习控制方法，在线迭代学习轨迹以无模型、低计算成本实现最优竞速，并在仿真和真实四旋翼实验中超越现有最先进方法。
2023-06-28 cs.RO
Co-Design Optimisation of Morphing Topology and Control of Winged Drones
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）；University of Manchester（曼彻斯特大学）；Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院）；University of Naples Federico II（那不勒斯费德里科二世大学）
针对变形无人机因驱动关节增加导致拓扑与控制耦合复杂化的问题，提出一种协同设计优化方法，通过多目标约束优化与轨迹优化确定包含拓扑、驱动、变形策略及控制器参数的概念设计，实验证明该方法设计的变形无人机在能效和任务时间上优于固定翼无人机。
2024-10-10 cs.RO
Expertise Affects Drone Racing Performance
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
第一人称视角的无人机比赛已经成为一项受欢迎的电视转播运动。然而，人们对专业无人机赛车飞行员的感知和运动技能知之甚少。更好地了解这些技能，可以告知自主多旋翼飞行的路径规划和控制算法。通过使用真实世界的无人机赛车跑道和大型位置跟踪系统，我们比较了五个专业和五个初学者飞行员的无人机赛车性能。结果表明，专业飞行员通过实现更快的单圈时间，更高的速度和更有效地执行具有挑战性的机动，始终优于初学者飞行员。轨迹分析表明，有经验的飞行员比初学者选择更优的比赛路线。我们的研究结果提供了强有力的证据，专业知识的贡献，在现实世界中的人类驾驶的无人机比赛的性能。我们讨论了这些结果对未来自主快速敏捷飞行工作的影响。我们公开我们的数据。
2021-09-15 cs.HC cs.RO
AlphaPilot: Autonomous Drone Racing
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
本文提出了一种新的系统，自主的，基于视觉的无人机比赛相结合的学习数据抽象，非线性滤波，和时间最优轨迹规划。该系统已成功部署在第一届自动无人机竞速世界锦标赛：2019年AlphaPilot挑战赛。与传统的无人机竞赛系统（仅检测下一个门）相反，我们的方法利用任何可见的门，并利用多个同时的门检测来补偿状态估计的漂移，并构建门的全局地图。全局地图和漂移补偿的状态估计允许无人机即使在门不是立即可见的情况下也导航通过比赛跑道，并且还使得能够基于近似的无人机动态实时的规划通过比赛跑道的接近时间最优的路径。该系统已被证明可以成功引导无人机通过紧凑的赛道，速度高达8米/秒，并在2019年AlphaPilot挑战赛中排名第二。
2021-08-20 cs.CV cs.RO cs.SY
FLUID: A Fine-Grained Lightweight Urban Signalized-Intersection Dataset of Dense Conflict Trajectories
School of Intelligent Systems Engineering, Sun Yat-sen University（智能系统工程学院，中山大学）；Guangdong Provincial Key Laboratory of Intelligent Transportation Systems（广东省智能交通系统重点实验室）；Pengcheng Laboratory（鹏城实验室）
FLUID数据集通过细粒度轨迹记录和轻量级处理框架，为研究城市信号交叉口的密集冲突提供了高时空精度的数据支持。
2026-02-21 cs.CV cs.RO
GazeRace: Revolutionizing Remote Piloting with Eye-Gaze Control
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
本文提出GazeRace系统，利用MediaPipe库将眼动转化为无人机指令，实现直观的远程驾驶，测试表明其在保持相当速度的同时将轨迹长度减少18%，提高了控制精度并降低了用户挫败感。
2024-08-21 cs.RO
Scene Compliant Trajectory Forecast with Agent-Centric Spatio-Temporal Grids
University of California, San Diego（加州大学圣迭戈分校）；University of Sao Paulo（圣保罗大学）
由于人体运动轨迹的非线性、多模态和固有的不确定性，预测人体长期运动是一项具有挑战性的任务。智能体的潜在场景和过去的运动可以提供有用的线索来预测他们未来的运动。然而，两个输入的异质性对学习场景和过去轨迹的联合表示提出了挑战。为了应对这一挑战，我们提出了一个基于网格表示的模型来预测代理轨迹。我们代表过去的轨迹代理使用二进制2-D网格，和底层的场景作为一个RGB鸟瞰图（BEV）的图像，与代理为中心的参考系。我们使用卷积层对场景和过去的轨迹进行编码，并使用卷积LSTM（ConvLSTM）解码器生成轨迹预测。在公开的斯坦福无人机数据集（SDD）上的结果表明，我们的模型优于以前的方法，并输出符合场景结构和过去运动的真实未来轨迹。
2019-09-16 cs.CV cs.RO
Fast-Racing: An Open-source Strong Baseline for SE(3) Planning in Autonomous Drone Racing
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；DJI（大疆）
近年来，随着空中机器人自主化的发展，无人机自主竞赛越来越受到人们的关注。在专业的飞行员比赛中，熟练的操作员总是控制无人机以积极的姿态敏捷地避开障碍物，以便尽快到达目的地。像精英飞行员一样的自主飞行需要在SE（3）中进行规划，其非平凡性和复杂性阻碍了我们社区目前令人信服的解决方案。为了弥补这一差距，本文提出了一个开源基线，其中包括一个高性能的SE（3）规划器和一个为无人机比赛量身定制的具有挑战性的仿真平台。我们将SE（3）轨迹生成指定为软惩罚优化问题，并利用其底层并行结构加快求解过程。此外，为了提供一个挑战规划者的测试平台，我们开发了精细的无人机赛道，模拟了SE（3）中的真实设置和必需品规划。此外，我们提供了必要的系统组件，如公共地图接口和基线控制器，使我们的工作插件和使用。通过我们的基线，我们希望未来促进SE（3）规划和自主无人机竞赛的研究。
2021-09-07 cs.RO
SwarmHive: Heterogeneous Swarm of Drones for Robust Autonomous Landing on Moving Robot
Skoltech（斯科尔科沃科技学院）
本文重点研究了异构无人机群，以实现移动机器人的编队动态着陆。科学家们还没有完成这项艰巨的任务。关键技术是，我们建议在领导者无人机上只安装一个摄像头，而不是用计算机视觉来促进无人机群的每个代理，从而大大增加有效载荷并缩短飞行时间。跟随无人机接收来自领导者UAV的命令，并与人工势场保持无碰撞轨迹。实验结果表明，高精度的群体降落在一个静态的移动平台（RMSE为4.48厘米）。在最大速度为1.0 m/s和1.5 m/s的移动平台上，蜂群着陆的RMSE分别为8.76 cm和8.98 cm。拟议中的SwarmHive技术将允许蜂群节省时间着陆，以便进一步为无人机充电。这将使多智能体机器人系统能够实现自我可持续的操作，用于救援行动，检查和维护，自主仓库库存，货物交付等场景。
2022-06-17 cs.RO
Simultaneous drone localisation and wind turbine model fitting during autonomous surface inspection
University of Bristol（布里斯托大学）；Perceptual Robotics
我们提出了一种方法，同时定位和风力涡轮机模型拟合的无人机执行自动表面检查。我们使用涡轮机的骨架参数化，可以很容易地集成到非线性最小二乘优化器中，结合无人机3D轨迹的姿态图表示，使我们能够同时优化两组参数。给定来自机载相机的图像，我们使用CNN来推断骨架模型的投影，从而通过成本函数建立对应约束。然后，这与在图中的关键帧处进行的GPS/IMU测量相结合，以便在无人机围绕涡轮机导航时进行连续优化。我们提出了两个变种的成本函数，一个基于传统的2D点对应关系和其他直接图像插值内推断的投影。从模拟和真实世界的数据的实验结果表明，同时优化提供了改进的本地化，只有优化的姿态，并结合使用这两个成本函数证明是最有效的。
2019-04-09 cs.RO
AirSwarm: Enabling Cost-Effective Multi-UAV Research with COTS drones
Centre for Advanced Robotics Technology Innovation (CARTIN)（高级机器人技术创新中心（CARTIN））；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
AirSwarm利用低成本商用无人机、分层控制架构、无基础设施视觉SLAM和ROS框架，降低多无人机集群研究的技术与资金门槛，实现厘米级定位与可靠协调。
2025-03-10 cs.RO
A Metamorphic Artificial Age Score Decision-Support Prototype for Flight-Log-Based Drone Propeller Health Monitoring
Institute for Sustainable Industries and Liveable Cities (ISILC)（可持续产业与宜居城市研究所（ISILC））；Victoria University（维多利亚大学）
本研究针对无人机螺旋桨故障影响分散多通道的问题，提出变形人工年龄评分（AAS）决策支持原型，基于2024 DronePropA数据集计算6项健康指标，评估缺陷案例并验证了多指标决策层的必要性。
2026-08-20 cs.AI cs.RO
Situation-Aware Deep Reinforcement Learning for Autonomous Nonlinear Mobility Control in Cyber-Physical Loitering Munition Systems
Korea University（高丽大学）；Ajou University（亚洲大学）
随着无人机技术的快速发展，无人机在包括军事领域在内的诸多领域得到了广泛的应用。本文研究了一种新的基于态势感知DRL的无人机自主非线性机动控制算法在信息物理巡洋弹药中的应用。在战场上，基于DRL的自主控制算法的设计并不简单，因为真实世界的数据收集通常是不可用的。因此，本文采用Unity环境构建信息物理虚拟环境的方法。基于虚拟信息物理战场场景，可以设计、评估和可视化基于DRL的自动化非线性无人机机动控制算法。此外，在真实战场场景中，存在许多不利于线性轨迹控制的障碍。因此，我们提出的自主非线性无人机移动控制算法利用了Unity虚拟场景中使用Raycast功能实现的情况感知组件。根据收集的态势感知信息，无人机可以在飞行过程中自主地非线性地调整其轨迹。因此，这种方法显然有利于在障碍物部署的战场上避开障碍物。我们的可视化为基础的性能评估表明，该算法是优于其他线性移动性控制算法。
2022-12-31 cs.RO cs.SY eess.SY
Distilling Knowledge for Short-to-Long Term Trajectory Prediction
University of Padova（帕多瓦大学）；Disney Research（迪士尼研究院）；Northwestern Polytechnical University（西北工业大学）
本文提出Di-Long方法，通过蒸馏短期轨迹预测教师模型的知识来指导长期轨迹预测学生网络，降低长期未来不确定性，并在inD和SDD数据集上取得领先性能。
2024-09-03 cs.AI cs.CV cs.LG
Can We Enable the Drone to be a Filmmaker?
无人机正在实现新形式的电影摄影。然而，四旋翼电影摄影技术要求对场景的准确理解、飞行的技术技巧、构图的艺术技巧以及所有要求的实时的同时实现。这些要求可能会对无人机业余爱好者构成真正的挑战，因为不合适的相机视点和运动可能会导致不愉快的视觉构图并影响目标的可见性。在本文中，我们提出了一种新的自主无人机相机系统，捕捉动作场景使用适当的相机的观点和运动。关键的新颖性在于，我们的系统可以动态生成与人类运动相关的平滑无人机相机轨迹，同时遵守视觉构图原则。我们评估我们的电影摄影系统在模拟和真实场景的性能。实验结果表明，我们的系统可以捕捉到更有表现力的视频画面的人类行动比国家的最先进的无人机相机系统。据我们所知，这是第一个电影摄影系统，使人们能够利用四旋翼的移动性，根据主体的运动自主捕捉高质量的动作场景镜头。
2020-10-21 cs.MM cs.RO
Dynamic Grasping with a "Soft" Drone: From Theory to Practice
Massachusetts Institute of Technology（麻省理工学院）
在现有的空中机械手中使用的刚性夹具需要精确定位以实现成功的抓取并传递可能使无人机不稳定的大接触力。这限制了抓取过程中的速度，并防止了“动态抓取”，即无人机在移动时试图抓取物体。另一方面，生物系统（例如，鸟类）依靠柔顺和柔软的部件来抑制接触力并补偿抓持不准确性，从而实现令人印象深刻的壮举。本文介绍了软无人机的第一个原型-一个四旋翼，传统的（即，刚性）起落架被软腱致动的夹持器取代，以实现积极的抓持。我们提供三个关键贡献。首先，我们描述了我们的软无人机原型，包括机电设计，软件基础设施和制造。其次，我们回顾了我们用于无人机和软夹持器的轨迹优化和控制的一组算法;这些算法结合了最先进的四旋翼控制技术（即，自适应几何控制器）与高级软机器人模型（即，准静态有限元模型）。最后，我们在物理模拟（使用SOFA和Unity）和运动捕捉室中的真实测试中评估我们的软无人机。我们的无人机能够在基线方法失败的情况下动态地抓住未知形状的物体。我们的物理原型确保了一致的性能，在23次试验中实现了91.7%的成功抓握。我们在视频附件中展示了动态抓取结果。视频附件：https://youtu.be/mqbj8mEyCdk
2021-10-01 cs.RO
DandelionTouch: High Fidelity Haptic Rendering of Soft Objects in VR by a Swarm of Drones
Skoltech（斯科尔科沃科技学院）；Imperial College London（伦敦帝国学院）
为了在高移动性虚拟环境中实现柔软物体的高保真力觉再现，提出了一种新型的触觉显示DandelionTouch。触觉致动器由一群无人机传递到用户的指尖。DandelionTouch的用户能够在不受设备工作区域限制的大空间内体验触觉反馈。重要的是，他们在与虚拟物体长时间交互时不会感到肌肉疲劳。手跟踪和群体控制算法允许引导群体与手的运动，并避免碰撞的形成。本研究探讨了群单元间阻抗连接的几种拓扑结构。在该实验中，无人机在正方形轨迹上实时执行点跟踪任务，结果显示，以星形拓扑连接的无人机以较低的平均位置误差执行轨迹（与其他阻抗拓扑相比，RMSE降低了20.6%，与基于势场的群控制相比，RMSE降低了40.9%）。具有阻抗行为的所有编队中的无人机的实现速度比使用势场算法控制的群高28%。此外，在一项有7名参与者的用户研究中评估了几种振动触觉模式的感知。研究表明，所提出的时间延迟和频率调制的组合允许用户同时成功地识别VR中的表面属性和运动方向（平均识别率为70%，最高为93%）。DandelionTouch建议在VR系统中使用一种新型的触觉反馈，无需手持或可穿戴接口。
2022-09-22 cs.HC cs.RO
Falconry-like palm landing by a flapping-wing drone based on the human gesture interaction and distance-aware flight planning
Department of Mechanical Engineering, The University of Tokyo（机械工程系，东京大学）
本研究提出一种仿猎鹰式交互系统，使扑翼无人机能基于距离感知与运动规划安全降落在人类手掌上，首次实现了扑翼无人机与人类的接触式交互。
2025-10-30 cs.RO
MMAUD: A Comprehensive Multi-Modal Anti-UAV Dataset for Modern Miniature Drone Threats
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
本文发布多模态反无人机数据集 MMAUD，融合立体视觉、激光雷达、雷达与音频，提供 Leica 真值，支持微型无人机检测、分类与轨迹估计。
2024-02-06 cs.AI cs.CV cs.RO
Enhancing Drone Light Shows Performances: Optimal Allocation and Trajectories for Swarm Drone Formations
Aerospace Engineering Department, Faculty of Aeronautics and Astronautics, Kocaeli University（航空航天工程系，航空航天学院，科伊亚利大学）；Interdisciplinary Research Centre for Aviation and Space Exploration (IRC-ASE), KFUPM（航空与航天探索交叉研究中心（IRC-ASE），国王费萨尔大学）
本文提出统一分配与轨迹生成框架，解决大规模无人机编队的最优分配与无碰撞轨迹生成问题，实现高效、流畅的灯光表演。
2026-03-25 cs.RO
Neural Lander: Stable Drone Landing Control using Learned Dynamics
California Institute of Technology（加州理工学院）；Northeastern University（东北大学）；University of California, Irvine（加州大学欧文分校）
由于多旋翼气流与环境相互作用引起的复杂气动力效应，使得多旋翼无人机难以实现精确的近地轨迹控制。传统的控制方法往往不能正确地考虑这些复杂的影响，并在实现平稳着陆不足。在本文中，我们提出了一种新的基于深度学习的鲁棒非线性控制器（神经着陆器），可以提高着陆过程中四旋翼的控制性能。我们的方法将名义动力学模型与学习高阶相互作用的深度神经网络（DNN）相结合。我们应用谱归一化（SN）来约束DNN的Lipschitz常数。利用此Lipschitz属性，我们设计了一个非线性反馈线性化控制器使用学习模型和证明系统稳定性与干扰抑制。据我们所知，这是第一个基于DNN的非线性反馈控制器，具有稳定性保证，可以利用任意大的神经网络。实验结果表明，所提出的控制器显着优于基线非线性跟踪控制器在着陆和跨台轨迹跟踪的情况下。我们还根据经验表明，DNN可以很好地推广到训练域之外的未知数据。
2019-03-04 cs.LG cs.RO
SwarmPath: Drone Swarm Navigation through Cluttered Environments Leveraging Artificial Potential Field and Impedance Control
Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology（智能空间机器人实验室、数字工程中心、斯克尔科夫科学与技术研究所）
提出SwarmPath技术，融合人工势场与阻抗控制，实现无人机集群无碰撞导航，减少30%旅行时间，轨迹误差仅6%。
2024-10-10 cs.RO
Deep Drone Racing: Learning Agile Flight in Dynamic Environments
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；Intel Labs（英特尔实验室）
自主敏捷飞行给机器人技术带来了根本性的挑战，例如应对不可靠的状态估计，对动态变化的环境做出最佳反应，以及在严重的资源约束下实时的耦合感知和动作。在本文中，我们认为这些挑战的背景下，自主的，基于视觉的无人机赛车在动态环境中。我们的方法将卷积神经网络（CNN）与最先进的路径规划和控制系统相结合。CNN直接将原始图像映射为路点和期望速度形式的鲁棒表示。然后，规划器使用该信息来生成短的、最小加加速度的轨迹段和相应的电机命令，以达到期望的目标。我们展示了我们的方法在自主敏捷飞行的情况下，其中一个基于视觉的四旋翼机穿越无人机赛车轨道可能移动门。我们的方法不需要任何显式的环境地图，并完全板载运行。我们广泛测试的精度和鲁棒性的方法在模拟和物理世界。我们还评估了我们的方法对国家的最先进的导航方法和专业的人类无人机飞行员。
2018-10-09 cs.RO
Integrated Motion Planner for Real-time Aerial Videography with a Drone in a Dense Environment
Seoul National University（首尔大学）
这封信提出了一种集成的方法，无人机（或多旋翼）通过跟随移动物体在3-D障碍环境中执行自主摄像任务。所提出的系统包括：1）可以应用于密集环境的目标运动预测模块和2）基于所提出的可见性度量的分层追逐规划器。在预测模块中，假设目标物体本身不与障碍物碰撞，我们将观测误差最小化。利用协变优化方法得到目标未来轨迹的估计。另一个模块是追踪规划器，它是由预规划器和平滑规划器组成的双层结构。在第一阶段，我们利用图搜索方法预先规划一个追逐走廊，其中包括在一个时间窗口内的目标的安全性和可见性。在随后的阶段中，我们使用二次规划（QP）在走廊内生成一条平滑且动态可行的路径。我们验证了我们的方法与多个复杂的场景和实际实验。源代码可以在https://github.com/icsl-Jeon/traj_gen_vis中找到
2019-11-21 cs.RO
Build Your Own Visual-Inertial Drone: A Cost-Effective and Open-Source Autonomous Drone
ETH Zurich（苏黎世联邦理工学院）
本文介绍了一种低成本、研究级的视觉惯性测距辅助垂直起降平台的设计方法。我们利用现成的视觉惯性传感器、机载计算机和四旋翼平台，这些都是工厂校准和批量生产的，从而共享类似的硬件和传感器规格（例如，质量、尺寸、相机-IMU系统的内在和外在以及信噪比）。然后，我们进行系统校准和识别，使我们的视觉惯性里程计，多传感器融合，和模型预测控制框架与现成的产品的使用。这意味着我们可以部分避免构建完整系统的繁琐参数调整过程。在室内使用运动捕捉系统和室外使用激光跟踪仪对整个系统进行了广泛的评估，同时执行悬停和步进响应，以及在存在外部风干扰的情况下执行轨迹跟踪任务。我们实现均方根（RMS）之间的参考和实际的轨迹误差为0.036米，同时执行悬停。我们还进行了较长距离的飞行（~ 180米）在农场现场的实验，并实现了0.82%的总距离飞行的漂移误差。本文传达了我们获得的关于平台和传感器模块的见解，并以开源代码和教程文档的形式返回给社区。
2018-09-06 cs.RO
The inD Dataset: A Drone Dataset of Naturalistic Road User Trajectories at German Intersections
RWTH Aachen University（亚琛工业大学）；fka GmbH（fka有限公司）
自动驾驶汽车在很大程度上依赖于数据驱动的方法，尤其是在复杂的城市环境中。以道路使用者轨迹为形式的真实世界测量数据的大型数据集对于道路使用者预测模型或基于场景的安全验证等多项任务至关重要。然而，到目前为止，这一需求尚未得到满足，因为没有适当大小、质量和种类的城市道路使用者轨迹的公共数据集。相比之下，高速公路无人机数据集（highD）最近表明，无人机是获取自然道路用户轨迹的有效方法。与驾驶研究或地面基础设施传感器相比，使用无人机的一个主要优势是可以记录自然行为，因为道路使用者不会注意到测量的发生。由于理想的视角，整个交叉口场景可以测量，遮挡比地面传感器少得多。使用最先进的深度神经网络，可以从视频记录中高精度地提取每个道路使用者的类别和轨迹。因此，我们建议使用配备摄像头的无人机作为highD数据集的后继者，创建一个具有自然主义道路用户行为的全面的大规模城市交叉口数据集。由此产生的数据集包含超过11500名道路使用者，包括德国十字路口的车辆、骑自行车的人和行人，被称为inD。该数据集由来自四个十字路口的10小时测量数据组成，可在线获得，用于非商业研究：http://www.inD-dataset.com
2019-11-18 cs.CV cs.LG cs.RO
Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone Racing
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
自主无人机可以在远程和非结构化环境中运行，从而实现各种现实应用。然而，缺乏有效的基于视觉的算法一直是实现这一目标的绊脚石。现有系统通常需要手工设计的组件来进行状态估计、规划和控制。这样的顺序设计涉及费力的调整、人工智能以及复合延迟和错误。本文通过学习深度感觉运动策略来解决基于视觉的无人机竞赛问题。我们使用对比学习从输入图像中提取鲁棒的特征表示，并利用两阶段的作弊学习框架来训练神经网络策略。由此产生的策略直接推断控制命令与从原始图像中学习的特征表示，放弃了全局一致的状态估计，轨迹规划和手工控制设计的需要。我们的实验结果表明，我们的基于视觉的政策可以实现相同水平的赛车性能的状态为基础的政策，同时对不同的视觉干扰和干扰是强大的。我们相信这项工作可以作为开发基于智能视觉的自主系统的垫脚石，这些系统可以像人类飞行员一样纯粹通过图像输入来控制无人机。
2022-10-26 cs.AI cs.RO
Self-supervised Domain Adaptation for Visual 3D Pose Estimation of Nano-drone Racing Gates by Enforcing Geometric Consistency
Dalle Molle Institute for Artificial Intelligence (IDSIA)（达勒莫利人工智能研究所）；USI-SUPSI；University of Milan（米兰大学）；Integrated Systems Laboratory (IIS)（集成系统实验室）；ETHZ（苏黎世联邦理工学院）
本研究提出了一种通过强制几何一致性提升纳米无人机赛道门3D姿态估计的自监督领域适应方法，实验表明其在位置和方向估计上优于现有方法。
2026-03-03 cs.RO
