Weight-Based Exploration for Unmanned Aerial Teams Searching for Multiple Survivors
在洪水期间，在尽可能短的时间内找到幸存者是救援队的首要任务。鉴于其在短时间内探索困难地形的能力，无人机（UAV）已成为搜索和救援行动中越来越有价值的辅助工具。传统上，无人机利用详尽的割草机探索模式来定位搁浅的幸存者，而没有关于幸存者下落的任何信息。然而，在现实生活中的灾难场景中，地面观察员为救援工作提供了有价值的信息，例如幸存者最后已知的位置和航向。在早期的工作中，基于重量的探索（WBE）模型，它利用这些信息来生成一个优先级的航路点列表，以帮助无人机在其搜索任务，提出了。这种方法被证明是有效的，为一个单一的无人机定位一个幸存者。在本文中，我们将WBE模型扩展到一个团队的无人机定位多个幸存者。该模型最初使用Voronoi单元在UAV之间划分搜索环境。然后无人机利用WBE模型来定位其分区中的幸存者。我们用不同的幸存者位置和航向来测试这个模型。我们证明了该模型的可扩展性，通过测试模型与空中团队，包括几个无人机。
2020-12-21 cs.RO
Signal-based self-organization of a chain of UAVs for subterranean exploration
Université de Technologie de Compiègne（贡比涅技术大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Université de Lorraine（洛林大学）；Aix Marseille Université（艾克斯-马赛大学）
微型多转子机器人是有前途的地下网络导航机器人，但保持地下无线电连接是具有挑战性的。在本文中，我们介绍了一种分布式算法，称为U链（地下链），协调探索无人机和操作员之间的飞行机器人链。我们的算法只使用两个连续的机器人之间的信号质量的测量，以及基于光流传感器的地面速度的估计。我们正式评估我们的方法和模拟，我们描述了实验结果与3个真正的微型四旋翼（12厘米）和基站链。
2020-03-09 cs.RO
Centralized Multi-UAV Exploration and 3D Reconstruction Using Single-UAV Planners
Institute for Systems and Robotics（系统与机器人研究所）；Instituto Superior Técnico（高等技术学院）
提出集中式多无人机探索框架，复用单无人机采样规划器，通过共享TSDF地图和集中规划实现协同探索，仿真表明分离启动策略显著提升探索速度和覆盖率。
2026-10-01 cs.RO
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
Mapless Navigation: Learning UAVs Motion forExploration of Unknown Environments
ETRI（韩国电子通信研究院）；KAIST（韩国科学技术院）
本研究提出了一种新的方法学为基础的运动规划自主探索使用空中机器人。通过强化学习的方法，通过试验和错误的学习，得出的行动政策，可以指导自主探索的地下和隧道环境。设计了一种新的马尔可夫决策过程状态，仅通过仿真来学习机器人的动作策略，并将结果应用于现实环境中，而无需进一步学习。减少了网格路径规划中对精确地图的需求，实现了无地图导航。所提出的方法可以有一个更少的计算成本比基于网格的规划器的路径，但具有类似的性能。经过训练的行动策略在与地下矿井或室内空间的自主勘探相关的模拟和现场试验中得到了广泛的评估。
2021-10-04 cs.RO
Self-Reconfigurable V-shape Formation of Multiple UAVs in Narrow Space Environments
VNU University of Engineering and Technology（越南国立大学工程技术大学）；Fulbright University Vietnam（越南富布赖特大学）
本文提出了一种用于多无人机在密集障碍物环境中穿越狭窄空间的自重构V型编队控制器，通过分布式行为控制算法实现无人机自主调整位置与动态重构，仿真验证了其适应性和有效性。
2024-02-13 cs.RO
tinySLAM-based exploration with a swarm of nano-UAVs
The Swedish Defence Research Agency（瑞典国防研究局）
本文研究nano-UAV集群的SLAM与探索问题，采用tinySLAM算法建图并结合改进的动态覆盖算法进行路径规划，在硬件受限的Crazyflie 2.1平台上实现了稳定的环境探索。
2023-09-06 cs.RO cs.SY eess.SY
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
Cooperative UAVs Gas Monitoring using Distributed Consensus
University of Trento（特伦托大学）
本文讨论的问题，在有限的区域内使用多个协调代理的目标检测和定位。无人机（UAV）群在一定的生产区域内尽可能快地确定烟囱流出物扩散到气体羽流的位置，这使得问题具有挑战性，因为目标的时变性。设计并比较了三种不同的探测算法。除了勘探策略，本文报告了一个解决方案，一旦发现的实际堆栈位置的一个成员的团队快速收敛。导航和定位算法都是完全分布式的，并且基于共识理论。模拟现实的案例研究报告。
2019-07-16 cs.DC cs.RO
Quantitative and Qualitative Assessment of Indoor Exploration Algorithms for Autonomous UAVs
KIOS Center of Excellence, University of Cyprus（塞浦路斯大学KIOS卓越中心）；University of Cyprus（塞浦路斯大学）
室内探测是救灾、应急响应和搜救（SAR）任务中的一项重要任务。无人机（UAV）系统可以在建筑物内对人类有危险的区域进行自主机动，探索内部，并在应急响应团队采取行动之前提供准确可靠的室内地图，从而帮助急救人员。由于这种情况下的挑战性条件以及固有的电池限制和时间限制，我们研究了2D自主探索策略（例如，基于2D LiDAR）来绘制3D室内环境。首先，我们引入了一个电池消耗模型，考虑电池寿命方面的第一次作为一个关键因素，评估飞行耐力的探索战略。其次，我们使用各种最先进的基于2D LiDAR的探索策略在不同的室内环境中进行广泛的模拟实验。我们根据各种定量和定性性能指标评估了我们的研究结果，表明这些策略的行为取决于环境和初始条件的复杂性，例如，入口点。
2022-05-27 cs.RO cs.SY eess.SY
Transfer Learning-Based Crack Detection by Autonomous UAVs
Middle East Technical University（中东技术大学）
无人机（UAV）最近在建筑物检查中通过自主探索和绘图收集视觉数据方面表现出了出色的性能。然而，考虑到数据的后处理及其与自主无人机的集成，研究的数量有限。这将使建筑物检查的全面自动化迈出巨大的一步。在这方面，这项工作提出了一个决策工具，自主无人机在视觉建筑物检查重访任务。该工具是对预训练的卷积神经网络（CNN）进行微调以进行表面裂纹检测的实现。它提供了一个可选的机制，用于在检查期间重新访问精确位置的任务规划。它被集成到一个四旋翼无人机系统，可以在GPS拒绝的环境中自主导航。无人机配备了机载传感器和计算机，用于自主定位、绘图和运动规划。通过仿真和真实世界的实验测试集成系统。结果表明，该系统实现了在GPS拒绝环境下的裂缝检测和自主导航。
2018-07-31 cs.RO
A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments
Queensland University of Technology（昆士兰科技大学）；Data61 / CSIRO（Data61 / 联邦科学与工业研究组织）；Griffith University（格里菲斯大学）
多旋翼无人机（UAV）用于搜索和救援以及遥感的使用正在迅速增加。然而，多旋翼无人机的续航能力有限。如果使用多个无人机组成的团队，则可以拓宽无人机的应用范围。我们提出了一个框架，一个团队的无人机合作探索，并找到一个目标，在复杂的GPS拒绝环境中的障碍。无人机团队在已知地图的杂乱环境中自主导航、探索、探测和发现目标。这种环境的示例包括室内场景、城市或自然峡谷、洞穴和隧道，其中GPS信号受到限制或阻挡。该框架基于概率分散的部分可观察马尔可夫决策过程，该过程考虑了传感和环境中的不确定性。团队可以有效地合作，每个无人机在任务期间只共享有限的处理过的观测结果和它们的位置。使用机器人操作系统和Gazebo模拟该系统。系统的性能与越来越多的无人机在几个室内场景与障碍物进行了测试。结果表明，所提出的多无人机系统具有改善的时间成本，调查的搜索区域的比例，以及搜索和救援任务的成功率。
2021-07-19 cs.LG cs.MA cs.RO
AutoPilot: Automating SoC Design Space Exploration for SWaP Constrained Autonomous UAVs
Harvard University（哈佛大学）；ARM Research（ARM研究院）；Google Brain Research（谷歌大脑研究院）
由于缺乏设计机载计算的系统方法，为自主无人机（UAV）构建特定领域的加速器具有挑战性。平衡UAV的计算系统需要考虑网络（例如，传感器速率，计算性能）和物理（例如，有效载荷重量）影响整体性能的特性。在许多组件选择上进行迭代会导致可能组合数量的组合爆炸：从数十万到数十亿，具体取决于实现细节。手动选择这些组件的组合是繁琐且昂贵的。为了有效地导航{信息物理设计空间}，我们引入了\emph{AutoPilot}，一个自动化全系统无人机协同设计的框架。AutoPilot使用贝叶斯优化来导航大的设计空间，并自动选择自主算法和硬件加速器的组合，同时考虑其他网络和物理无人机组件的交叉产品效应。我们表明，在一系列代表性场景（三种不同的无人机类型和三种部署环境）中，AutoPilot方法始终优于Xavier NX和Jetson TX 2等通用硬件选择，以及为自主无人机构建的专用硬件加速器。AutoPilot生成的设计使纳米、微型和小型无人机的任务数量平均分别增加了2.25倍、1.62倍和1.43倍。我们的工作表明，需要整体的全无人机协同设计，以实现最大的无人机整体性能，并需要自动化流程，以简化自主网络物理系统的设计过程。
2021-09-10 cs.AI cs.AR cs.LG
A Minimalistic 3D Self-Organized UAV Flocking Approach for Desert Exploration
Universidade Federal da Paraíba（帕拉伊巴联邦大学）；Czech Technical University in Prague（布拉格捷克技术大学）；Technology Innovation Institute（技术创新研究院）
提出一种仅靠机载相对距离与方位、采用三维 Lennard-Jones 势函数的极简自组织无人机集群方法，并经九架无人机在 GNSS 拒止环境下验证。
2024-12-03 cs.RO
Coverage Sampling Planner for UAV-enabled Environmental Exploration and Field Mapping
University of British Columbia（不列颠哥伦比亚大学）；The Chinese University of Hong Kong（香港中文大学）
无人机（UAV）已经通过利用其移动传感、自主导航和远程操作的能力而被实施用于环境监测。然而，在现实世界的应用中，机载资源的限制（例如，无人机的供电能力将限制监测区域的覆盖范围和采集样本的数量，这将阻碍野外估计和制图的性能。因此，资源受限的问题需要一个有效的采样规划调度无人机为基础的环境监测传感任务。本文提出了一种覆盖采样和路径规划的无人机使移动传感器的任务规划器，以有效地探索和映射的未知环境，建模为一个随机场。所提出的规划器可以产生一个最佳的覆盖密度的探索性采样的覆盖路径，和相关的能源成本受到电源约束。所开发的框架的性能进行评估，并与现有的国家的最先进的算法相比，使用从环境监测计划以及物理现场实验收集的真实世界的数据集。实验结果表明，所提出的覆盖抽样规划的可靠性和准确性在事先调查的环境勘探和实地制图。
2019-07-12 cs.RO
Fast and Communication-Efficient Multi-UAV Exploration Via Voronoi Partition on Dynamic Topological Graph
College of Artificial Intelligence, Nankai University（人工智能学院，南开大学）
本文提出基于动态拓扑图和图Voronoi划分的多无人机探索方法，通过高效通信和合理任务分配提升探索效率。
2024-08-11 cs.MA cs.RO
FAEP: Fast Autonomous Exploration Planner for UAV Equipped with Limited FOV Sensor
Wuhan University（武汉大学）；Nanjing Tech University（南京工业大学）
自主探测是实现无人机自主运行的重要环节之一。为了提高探测过程的效率，本文提出了一种快速自主探测规划器（FAEP）。首先设计了一种新的边界探索序列生成方法，该方法不仅考虑了飞行层因素，还考虑了边界层因素，从而得到了更合理的探索路径。根据勘探顺序和边界分布，提出了一种两阶段航向规划策略，在一次勘探过程中通过改变航向覆盖更多的边界。为了提高路径搜索的稳定性，提出了一种基于引导路径的引导式运动动力学路径搜索方法。此外，还采用了一种动态的起点选择方法进行重新规划，以增加飞行的流畅性。我们提出了足够的基准和现实世界的实验。实验结果表明，与典型的和国家的最先进的方法相比，所提出的勘探规划的优越性。
2022-02-25 cs.RO
Autonomous Exploration of Unknown 3D Environments Using a Frontier-Based Collector Strategy
University of Zagreb（萨格勒布大学）；Advanced Center for Aerospace Technologies (CATEC)（高级航空航天技术中心（CATEC））
针对无人机自主探索中地图不完整和导航安全性假设的局限，提出一种结合基于边界探索与收集器策略的新方法，实现全局探索与完整建图，并通过在线路径重规划保障安全导航。
2023-11-21 cs.RO
MADRL-based UAVs Trajectory Design with Anti-Collision Mechanism in Vehicular Networks
CNIT（意大利国家大学间电信联盟）；University of Bologna（博洛尼亚大学）
针对多无人机协同轨迹设计中的碰撞问题，提出基于排名的二进制掩码方法，在保持安全的同时提升MADRL训练性能。
2024-01-21 cs.LG cs.MA cs.RO
Deployment of Aerial Robots during the Flood Disaster in Erftstadt / Blessem in July 2021
University of Applied Science Gelsenkirchen（盖尔森基兴应用科学大学）；German Rescue Robotic Centre（德国救援机器人中心）；Institute of Fire Service & Rescue Technology, Fire Department of Dortmund（多特蒙德消防局消防与救援技术研究所）
气候变化导致越来越多的极端天气事件，如暴雨和洪水。本技术报告涉及如何使用无人机（UAV）在洪水灾害期间，即2021年7月中欧洪水期间，更具体地说是在Erftstadt / Blessem，更快地向救援指挥官提供最新信息的问题。无人机一方面用于洪水边缘的实时观测和定期检查，另一方面用于系统的数据采集，以便使用运动恢复结构和多视图立体计算3D模型。嵌入在GIS应用程序中的3D模型可作为系统探索和决策支持的规划基础，用于部署额外的小型无人机以及救援部队。无人机通过自主曲折飞行进行的系统数据采集提供了高分辨率图像，这些图像在15分钟内在专门装备的机器人指挥车（RobLW）中计算为周围区域的地理参考3D模型。通过比较连续几天从3D模型中提取的高分辨率高程剖面图，可以看到水位的变化。这些信息使应急管理部门能够计划对建筑物的进一步检查，并在现场寻找失踪人员。
2022-09-07 cs.RO
GO-FEAP: Global Optimal UAV Planner Using Frontier-Omission-Aware Exploration and Altitude-Stratified Planning
Shenzhen University（深圳大学）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳））
本文提出 GO-FEAP 无人机规划器，通过前沿遗漏感知模块综合评估前沿重要性，并结合高度分层策略解决三维空间探索问题，实现了优于现有方法的探索完整性。
2023-10-24 cs.RO
Heuristic-based Incremental Probabilistic Roadmap for Efficient UAV Exploration in Dynamic Environments
Carnegie Mellon University（卡内基梅隆大学）
针对动态环境中无人机探索效率低和重规划困难的问题，提出HIRE规划器，通过启发式前沿区域增量构建概率路线图，并结合动态更新与避障模块，实现高效安全的自主探索。
2023-09-17 cs.RO
A Vision Based Deep Reinforcement Learning Algorithm for UAV Obstacle Avoidance
Iowa State University（爱荷华州立大学）
近年来，将强化学习与无人机（UAV）集成以实现自主飞行一直是一个活跃的研究领域。一个重要的部分集中在障碍物检测和避免无人机导航通过的环境。在看不见的环境中进行探索可以通过深度Q网络（DQN）来解决。然而，使用统一的动作采样进行价值探索可能会导致冗余状态，其中通常环境固有地承担稀疏的奖励。为了解决这个问题，我们提出了两种技术来改善无人机避障探测。第一种是基于收敛的方法，该方法使用收敛误差来遍历未探索的动作，并使用时间阈值来平衡探索和利用。第二种是使用域网络的基于指导的方法，该域网络使用高斯混合分布将先前看到的状态与预测的下一个状态进行比较，以选择下一个动作。这些方法的性能和评估在多个3-D仿真环境中实现，复杂性的变化。所提出的方法证明了一个两倍的平均奖励相比，最先进的改进。
2021-03-11 cs.AI cs.CV cs.RO
Genetic Algorithm-based Routing and Scheduling for Wildfire Suppression using a Team of UAVs
Indian Institute of Science（印度科学学院）
提出带时间约束的遗传算法路由调度方法GARST，通过优化无人机调度在火灾扩大前完成单机灭火任务，有效解决NP完全问题并处理不可行情境。
2024-07-27 cs.MA cs.NE cs.RO
Multi-UAV Uniform Sweep Coverage in Unknown Environments: A Self-organizing Nervous System (SoNS)-Based Random Exploration
University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所）
针对未知环境中无定位条件的多无人机均匀扫描覆盖问题，提出基于自组织神经系统（SoNS）框架的随机游走方法，使无人机自组织成线形编队进行探索，仿真表明该方法比去中心化基准策略更快实现全覆盖且均匀性更高。
2025-03-03 cs.RO
Multiaxis nose-pointing-and-shooting in a biomimetic morphing-wing aircraft
University of Cambridge（剑桥大学）；Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本研究针对仿生无人机超机动潜力未被充分验证的问题，通过非线性飞行动力学分析配平空间，提出基于模型的制导策略，证明仿生变体翼无人机可实现多轴NPAS超机动，为相关超机动研究提供方法。
2022-01-10 cs.RO
Quality-Adaptive Multi-UAV 3D Reconstruction with Sparse Workload Redistribution
Inria, INSA Lyon, CITI（法国国家信息与自动化研究所、里昂国立应用科学学院、CITI）
针对无人机三维重建中计算和能量受限及协调难问题，提出质量自适应分散决策策略，集成质量导向准则，采用两级协调，仿真显示该方法提高路径效率且实现更高保真度重建，代码公开。
2026-07-28 cs.RO
A Comprehensive Review of AI-enabled Unmanned Aerial Vehicle: Trends, Vision , and Challenges
University of Kragujevac（克拉古耶瓦茨大学）；American International University-Bangladesh（孟加拉国美国国际大学）；The University of Aizu（会津大学）
本文全面综述了人工智能赋能无人飞行器的发展趋势、未来愿景与挑战，探讨了AI在导航、监测、农业及救援等应用中的作用，并审视了伦理、安全与监管问题，为该变革性领域的进一步研究奠定基础。
2023-10-25 cs.AI cs.RO
EPIC: A Lightweight LiDAR-Based UAV Exploration Framework for Large-Scale Scenarios
School of Artificial Intelligence, Sun Yat-Sen University（中山大学人工智能学院）；Department of Mechanical Engineering, University of Hong Kong（香港大学机械工程系）
提出EPIC，一种轻量级LiDAR无人机探索框架，通过直接利用点云构建观测地图和增量拓扑图，避免使用占据栅格地图，实现大规模环境下更快的探索与更低的内存消耗。
2025-04-02 cs.RO
Employing Drones in Agriculture: An Exploration of Various Drone Types and Key Advantages
University of Trás-os-Montes and Alto Douro（山后-上杜罗大学）
本文综述无人机在农业中的类型与应用，阐明其在数据采集、精准喷洒、测绘勘测及降本增效方面的优势与现存挑战。
2023-07-11 cs.RO
Genetic Algorithm Based System for Path Planning with Unmanned Aerial Vehicles Swarms in Cell-Grid Environments
University of A Coruna（拉科鲁尼亚大学）；Faculty of Computer Science（计算机学院）；CITIC
针对含固定障碍物环境中的多无人机全覆盖路径规划问题，提出一种基于遗传算法的进化计算系统，可在无目标点和额外先验信息下最小化飞行时间与资源消耗。
2024-12-04 cs.AI cs.RO
Simulation Analysis of Exploration Strategies and UAV Planning for Search and Rescue
University of Turku（图尔库大学）
本文针对无人机搜索与救援中最优飞行模式设计难题，开发了基于ROS、Gazebo、PX4和YOLO的仿真环境，用于模拟不同SAR场景并评估飞行任务在最短时间内实现高召回率检测遇险者的效率。
2023-04-11 cs.RO
Palm-sized Omnidirectional Vision-Based UAV Exploration with Sparse Topological Map Guidance
Department of Mechanical and Energy Engineering, Southern University of Science and Technology（南方科技大学机械与能源工程系）；Thrust of Robotics and Autonomous Systems, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）机器人与自主系统研究所）；International Digital Economy Academy, Shenzhen, China（深圳国际数字经济学院）
本文提出一种轻量级自主探索系统，利用全向视觉和稀疏拓扑图引导，通过多鱼眼相机实现全向视场和深度估计，采用拓扑节点表示前沿区域，减少内存和计算需求，实现在模拟和实际无人机中高效探索。
2026-05-08 cs.RO
Suspended Magnetometer Survey for Mineral Data Acquisition with Vertical Take-off and Landing Fixed-wing Aircraft
Toronto Metropolitan University（多伦多都会大学）；Rosor Exploration（罗索尔勘探公司）
本文探讨了在UAV平台上安装高灵敏度磁力仪的挑战及解决方案，提出了一种基于垂直起降固定翼飞行器的悬挂式测量系统，实现了比传统多旋翼更高效、低成本的矿物数据采集。
2024-02-19 cs.RO
LIMBERO: A Limbed Climbing Exploration Robot Toward Traveling on Rocky Cliffs
Space Robotics Lab. (SRL) in Department of Aerospace Engineering, Graduate School of Engineering, Tohoku University（东京东京大学工学研究院航空航天工程系空间机器人实验室）；National Institute of Applied Sciences of Toulouse（图卢兹应用科学国家研究院）
本文提出LIMBERO，一种10kg级四足攀爬机器人，采用脊椎型夹具实现稳定攀爬。新型夹具设计通过耦合手指闭合和脊椎钩合动作，实现高效抓取性能。
2026-03-17 cs.RO
Pitch-axis supermanoeuvrability in a biomimetic morphing-wing UAV
Chalmers University of Technology（查尔姆斯理工大学）；University of Cambridge（剑桥大学）
本文通过含Goman–Khrabrov动态失速模型的多体飞行仿真，证明变形翼可调控非线性纵向稳定性，使无人机完成RaNPAS与贴墙着陆等失速后超机动。
2025-05-14 cs.RO physics.bio-ph
The Design of Autonomous UAV Prototypes for Inspecting Tunnel Construction Environment
Carnegie Mellon University（卡内基梅隆大学）
针对无GPS的隧道施工复杂动态环境巡检需求，设计集成先进传感器与鲁棒规划算法的自主无人机原型，经仿真与实际测试验证其可稳定运行，具备实用性与韧性。
2024-08-14 cs.RO cs.SY eess.SY
Task Assignment and Exploration Optimization for Low Altitude UAV Rescue via Generative AI Enhanced Multi-agent Reinforcement Learning
Guangxi University Key Laboratory of Intelligent Networking and Scenario System (School of Information and Communication, Guilin University of Electronic Technology(GUET))（广西智能网络与场景系统重点实验室（信息与通信学院，桂林电子科技大学））；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）；School of Architecture and Transportation Engineering, GUET（建筑与交通运输工程学院，GUET）；National Engineering Laboratory for Comprehensive Transportation Big Data Application Technology (Guangxi)（综合交通运输大数据应用技术国家工程实验室（广西））；Department of Informatics and Communication Engineering, Xiamen University（信息与通信工程系，厦门大学）；College of Computer Science and Technology, Jilin University（计算机科学与技术学院，吉林大学）；Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University（教育部符号计算与知识工程重点实验室，吉林大学）
本文提出一种结合UAV、GER和飞艇的协作框架，通过Lyapunov优化将动态长期优化问题转化为单时隙问题，并设计HG-MADDPG算法（融合匈牙利算法与GDM的多智能体深度确定性策略梯度），显著提升了任务卸载效率、降低延迟并增强系统稳定性。
2025-07-10 cs.AI cs.LG cs.RO
Monocular Obstacle Avoidance Based on Inverse PPO for Fixed-wing UAVs
School of Automation, Northwestern Polytechnical University（西北工业大学自动化学院）
针对传统固定翼无人机避障系统在未知环境和小型平台的局限性，本文提出基于逆PPO的轻量级DRL避障系统，通过单帧图像深度推理模块和自适应熵调整机制，实现仅用视觉传感器以超30m/s速度避障，性能优于其他方法且可在边缘设备部署。
2024-11-27 cs.CV cs.RO
Efficient Concurrent Design of the Morphology of Unmanned Aerial Systems and their Collective-Search Behavior
University at Buffalo（布法罗大学）
机器人的集体操作，例如作为团队或群体操作的无人机（UAV），受到其个体能力的影响，而个体能力又取决于其物理设计，即形态。然而，除了一些（尽管是特别的）进化机器人方法外，很少有研究了解形态学和集体行为的相互作用。特别是缺乏计算框架来同时搜索机器人形态及其行为模型的超参数，以共同优化集体（团队）性能。为了解决这个问题，本文提出了一个新的协同设计框架。这里，通过"天赋”度量的新概念有效地减轻了否则嵌套形态/行为协同设计的爆炸式计算成本;同时还允许与通常次优的顺序形态$\to$行为设计方法相比明显更好的解决方案。该框架包括四个主要步骤：人才指标选择，人才帕累托探索（多目标形态优化过程），行为优化和形态定型。这种协同设计的概念通过将其应用于设计无人机来展示，无人机作为一个团队来定位信号源，例如，受害者搜索和危险定位在这里，集体行为是由最近报道的批量贝叶斯搜索算法，称为贝叶斯群驱动。我们的案例研究表明，与基线设计相比，协同设计的结果在各种信号环境和6至15架无人机的团队中提供了更高的信号源定位成功率。此外，这种协同设计过程提供了两个数量级的计算时间减少相比，预计嵌套设计方法。
2022-09-26 cs.RO
Explore From Sketch: Accelerating UAV Exploration in Large-scale Environments with Prior Maps
Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院工业控制技术研究所）；Huzhou Institute, Zhejiang University, and Huzhou Key Laboratory of Autonomous System（浙江大学湖州研究院，湖州市自主系统重点实验室）；Zhejiang Zhongyan Industry Co., Ltd（浙江中烟工业有限责任公司）；Differential Robotics Technology Company（微分机器人技术有限公司）
提出利用稀疏、未对齐甚至不一致的2D先验地图加速无人机大规模环境探索的框架，通过鲁棒的2D-3D点云配准和层次化视点规划，实现效率提升34.2%。
2026-06-11 cs.RO
A Grammar for the Representation of Unmanned Aerial Vehicles with 3D Topologies
UC Berkeley（加州大学伯克利分校）；Washington University in St. Louis（圣路易斯华盛顿大学）
我们提出了一个上下文敏感的语法系统的探索3D机器人的拓扑结构的设计空间，特别是无人机。它定义了产生式规则，用于将元件添加到在三维网格上建模的不完整设计拓扑中。规则是地方性的。语法很简单，但能够建模大多数现有的无人机以及新的。它可以很容易地推广到其他机器人平台。它可以被认为是任何设计探索和优化算法的构建块。
2023-02-27 cs.AI cs.FL cs.RO
Design of Unmanned Air Vehicles Using Transformer Surrogate Models
SRI International（斯坦福国际研究院）
计算机辅助设计（CAD）是人工智能（AI）和机器学习（ML）应用的一个新领域。当前的信息物理系统设计实践使用数字孪生方法，其中，在实际物理设计之前，构建可以由物理仿真模型评估的详细模型。这些物理模型通常很慢，手动设计过程通常依赖于探索现有设计的附近变化。人工智能有望打破这些设计孤岛，并通过加速对设计空间的探索来提高设计的多样性和性能。在本文中，我们专注于电动无人机的设计。高密度电池和纯电力推进系统扰乱了无人机设计的空间，使该领域成为基于人工智能设计的理想目标。在本文中，我们开发了一个人工智能设计师，综合新颖的无人机设计。我们的方法使用了一个深Transformer模型与一个新的特定领域的编码，这样我们就可以评估新提出的设计，而无需运行昂贵的飞行动力学模型和CAD工具的性能。我们证明，我们的方法显着降低了设计过程中的整体计算要求，并加快了设计空间的探索。最后，我们确定了未来的研究方向，以实现无人机AI辅助CAD的全面部署。
2022-11-11 cs.LG cs.RO
Tactile-based Exploration, Mapping and Navigation with Collision-Resilient Aerial Vehicles
School of Manufacturing Systems and Networks, Ira A. Fulton Schools of Engineering, Arizona State University（制造系统与网络学院，伊拉·A·福尔顿工程学院，亚利桑那州立大学）
该研究提出被动可变形无人机XPLORER及快速外力估计算法，设计三种触觉运动基元实现未知环境高效探索导航，验证了其在接触密集型任务中的应用潜力。
2025-04-01 cs.RO cs.SY eess.SY
Self-Supervised Learning to Fly using Efficient Semantic Segmentation and Metric Depth Estimation for Low-Cost Autonomous UAVs
National University of Science and Technology Politehnica Bucharest（波兰技术大学布加勒斯特分校）；NORCE Norwegian Research Center（挪威研究机构NORCE）
本文提出仅用视觉的低成本无人机自主飞行系统，结合语义分割、单目度量深度估计、知识蒸馏与端到端策略学习，在真实和数字孪生飞行测试中实现高成功率。
2025-10-18 cs.CV cs.RO
UAVs Beneath the Surface: Cooperative Autonomy for Subterranean Search and Rescue in DARPA SubT
Czech Technical University in Prague（布拉格捷克理工大学）
本文提出了一种新的方法，自主合作的无人机在搜索和救援行动在地下领域的复杂拓扑结构。作为CTU-CRAS-NORLAB团队的一部分，该系统在DARPA SubT决赛的虚拟赛道中排名第二。与专为虚拟赛道开发的获奖解决方案相比，该解决方案也被证明是一个强大的系统，可用于在现实世界竞争的极端恶劣和受限环境中飞行的物理无人机上部署。所提出的方法可以实现无人机团队的完全自主和分散部署，并实现无缝的模拟到世界的转移，并证明了其在不同环境的可飞行空间中相对于移动性较低的UGV团队的优势。本文的主要贡献是在地图和导航管道。该映射方法采用了新的地图表示--用于高效的风险感知远程规划的SphereMap，用于表面覆盖的FacetMap，以及用于在低带宽通信下允许多机器人合作的压缩拓扑体积LTVMap。这些表示在导航中与用于在一般3D环境中进行可靠性约束的知情搜索的新方法一起使用，而无需对环境结构进行假设，同时平衡深度探索与传感器覆盖开发。所提出的解决方案还包括一个视觉感知管道，用于在没有专用GPU的情况下，以5 Hz的四个RGB流对感兴趣的对象进行板载检测和定位。除了参加DARPA SubT之外，无人机系统的性能还得到了各种环境中大量实验验证的支持，包括定性和定量评估。
2023-02-03 cs.AI cs.MA 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
An Efficient Approach with Dynamic Multi-Swarm of UAVs for Forest Firefighting
Indian Institute of Science（印度科学院）；Agency for Science, Technology and Research（科技研究局）
本文提出MSCIDC方法，通过多集群协同信息驱动搜索、集群动态调节与分治扑灭控制，实现森林火灾快速探测与扑灭，相比最佳多无人机方法减少65%过火面积和60%任务时间。
2022-11-03 cs.MA cs.RO cs.SY
A Compendium of Autonomous Navigation using Object Detection and Tracking in Unmanned Aerial Vehicles
Lovely Professional University（拉夫里专业大学）
本文综述了利用计算机视觉中的实时目标检测与跟踪算法实现无人机自主导航的各种方法，以解决无线控制面临的信号、实时性和安全性挑战，并探讨其在灾害管理、密集区域探索和交通监控等领域的应用。
2025-05-31 cs.CV cs.RO eess.IV
Multi-UAV Coverage Planning with Limited Endurance in Disaster Environment
Technische Universität München（慕尼黑工业大学）；Tsinghua University（清华大学）；Avic Shenyang Aircraft Design And Research Institute（中国航空工业集团沈阳飞机设计研究所）
对于洪水、地震等场景，受灾面积大，救援时间紧。多无人机探测比单架无人机探测效率更高。现有的无人机探测工作被建模为覆盖路径规划（CPP）任务，以实现在存在障碍物的情况下对该区域的完全覆盖。但无人机续航能力有限，救援时间紧迫。因此，即使使用多架无人机也无法及时实现对灾区的完全覆盖。因此，在本文中，我们提出了一个多智能体的耐力有限CPP（MAEl-CPP）问题的基础上先验热图的灾区，这需要在有限的能量下探索更有价值的地区。此外，我们提出了一个路径规划算法的MAEl-CPP问题，通过排名可能的灾害地区根据其重要性，通过卫星或远程航空图像和完成路径规划的重要性水平。实验结果表明，我们提出的算法是有效的至少两倍，现有的方法在搜索效率。
2022-02-22 cs.MA cs.RO
Multi-Target Pursuit by a Decentralized Heterogeneous UAV Swarm using Deep Multi-Agent Reinforcement Learning
Singapore University of Technology and Design（新加坡科技设计大学）；University of Ottawa（渥太华大学）
涉及智能目标的多智能体追逃任务是众所周知的具有挑战性的协调问题。在本文中，我们研究了新的方法来学习这种协调的行为，无人机（UAV）的目的是保持跟踪多个规避目标。在多智能体强化学习（MARL）框架内，我们特别提出了多智能体深度确定性策略梯度（MADDPG）方法的变体。我们的方法解决了多目标的追求逃避的情况下，在非静态和未知的环境中，随机障碍。此外，由于集体探索在检测可能的目标方面发挥的关键作用，我们实现了异构角色的追求者增强探索性的行动平衡开发（即跟踪）以前确定的目标。我们提出的基于角色的MADDPG算法不仅能够跟踪多个目标，而且还能够探索可能的目标，通过建议的Voronoi为基础的奖励政策。在部署由Crazyflie无人机组成的真实世界多机器人系统之前，我们在仿真环境中实施、测试和验证了我们的方法。我们的研究结果表明，一个多智能体的追求团队有能力学习高效的协调控制策略的目标跟踪和探索，即使在复杂的环境中面临多个快速规避目标。
2023-03-03 cs.RO
Search and Rescue under the Forest Canopy using Multiple UAVs
Massachusetts Institute of Technology（麻省理工学院）；NASA Langley Research Center（美国国家航空航天局兰利研究中心）
本文提出了一种多机器人系统，用于森林树冠下的GPS拒绝搜索和救援。森林是特别具有挑战性的环境，合作探索和映射，在很大程度上是由于存在严重的感知混淆，这阻碍了可靠的循环闭合检测相互定位和地图融合。我们提出的系统具有无人机（UAV），执行机载传感，估计和规划。当通信可用时，每个UAV将压缩的基于树的子地图传输到中央地面站，用于协作同时定位与地图构建（CSLAM）。为了克服高测量噪声和感知混叠，我们使用一组树的本地配置作为鲁棒的循环闭合检测的一个显着特征。此外，我们提出了一个新的程序的基础上，周期一致的多路匹配，以恢复不正确的成对数据关联。返回的全局数据关联保证是周期一致的，并显示出提高精度和召回相比，输入成对关联。所提出的多无人机系统在模拟和现实世界的合作探索任务在美国宇航局兰利研究中心进行了验证。
2020-06-07 cs.RO
Research on UAV Applications in Public Administration: Based on an Improved RRT Algorithm
Faculty of Humanities and Social Sciences（人文与社会科学学院）；College of Animal Science and Technology（动物科学与技术学院）；Faculty of Applied Sciences（应用科学学院）；School of Economics and Management（经济与管理学院）
本研究针对无人机在公共管理中路径规划的能耗、避障等挑战，提出整合四种策略的改进RRT算法（dRRT），仿真显示其性能优于传统算法，为相关场景应用提供高效路径规划方案。
2025-08-15 cs.RO
Online Planning for Sparse Ground Target Search from a High-Altitude UAV under Partial Observability
Tennessee Technological University（田纳西理工大学）
针对高空无人机在部分可观测条件下搜索稀疏地面目标的问题，提出基于PTZ相机和POMCP的在线规划方法，通过选择性集成检测提升感知可靠性，在仿真中实现高效目标检测。
2026-10-02 cs.RO
