PACNav: A collective navigation approach for UAV swarms deprived of communication and external localization
Czech Technical University in Prague（布拉格捷克理工大学）；Ricerca sul Sistema Energetico (RSE) S.p.A.（意大利能源系统研究公司（RSE））
提出了一种基于持久性管理的集群导航方法（PACNav），用于实现无人机群的分散式集群导航。该技术基于在自然群体中观察到的群集和集体导航行为，例如牛群，鸟群，甚至是大群人。由于在自然群体中无法获得所有群体成员的全局和并发信息，因此这些系统使用局部观测来实现所需的行为。同样，PACNav仅依赖于对无人机相对位置的局部观测，这使得它适用于缺乏通信能力和外部定位系统的大机群。我们引入了新的概念，路径持久性和路径相似性，让每个群体成员分析其他成员的运动，以确定自己的未来运动。PACNav基于两个主要原则：（1）运动方向变化小的无人机具有高路径持久性，并且被其他无人机认为是可靠的领导者;（2）沿相似方向运动的无人机组具有高路径相似性，并且这样的组被认为包含可靠的领导者。该方法还嵌入了一个反应式避碰机制，以避免与群体成员和环境障碍物的碰撞。这种碰撞避免确保了安全性，同时减少了与指定路径的偏差。随着几个模拟实验，我们提出了一个真实世界的实验在一个自然森林中，展示了所提出的集体导航方法在具有挑战性的环境中的有效性和有效性。源代码作为开放源代码发布，使得可以复制所获得的结果，并促进社区继续研究。
2023-02-09 cs.MA cs.RO
A Real-Time System for Scheduling and Managing UAV Delivery in Urban Areas
School of Computer Science, Sun Yat-sen University（中山大学计算机学院）
本文提出基于'机场-卸货站'模型的实时调度管理系统，通过自主地面车辆、无人机和地面人员的协同调度方案，提升城市无人机配送效率。
2026-03-23 cs.RO cs.SY eess.SY
UAVs for Industries and Supply Chain Management
TU Dortmund（多特蒙德工业大学）
这项工作专注于利用与人类并肩作业的小型无人机群实现包裹运输任务的自动化，以弥合无人机技术发展与其融入供应链之间的差距。
2023-03-14 cs.RO
Optimized Conflict Management for Urban Air Mobility Using Swarm UAV Networks
Manipal University Jaipur（马尼帕尔大学斋浦尔分校）
本文提出了一种基于边缘AI的去中心化蜂群架构，用于优化城市空域机动性中的冲突管理，通过轻量级神经网络实现高效、低延迟的冲突检测与解决。
2025-12-14 cs.RO
Density-Driven Multi-Agent Coordination for Efficient Farm Coverage and Management in Smart Agriculture
Department of Mechanical Engineering, New Mexico Institute of Mining and Technology（机械工程系，新墨西哥矿业与技术研究院）
本文提出基于密度的最优控制框架，用于智能农业中高效覆盖与管理，通过非均匀资源分配减少化学物质使用，提升作业效率与可持续性。
2025-11-16 cs.RO cs.SY eess.SY
Mission Planner for UAV Battery Replacement
New Technologies for the Information Society Research Center（信息社会新技术研究中心）
本文提出一种用于无人机电池管理系统的任务规划器，通过在静态电池管理站规划电池更换确保无人机完成长期任务，并在多无人机多站仿真场景中验证了其有效性。
2024-07-01 cs.RO
Trust Repairing for Human-Swarm Cooperation inDynamic Task Response
人-无人机合作中出现紧急情况，例如犯罪活动跟踪和紧急地面援助需求。应急响应通常对多无人机系统的运动控制有很高的要求，既要保持团队的性能，又要保持团队的行为。然而，无人机群在现实环境中执行任务时，由于系统可靠性、环境干扰等现实因素的影响，群中的部分机器人会出现群集速度慢、航向错误、空间关系差等异常行为。同时，人与无人机群之间的不正确信任会将故障机器人的异常行为映射到整个无人机群，并要求人类管理者进行耗时的干预，破坏无人机群对动态任务的响应，甚至由于累积错误而导致任务失败。正确反映人与无人机群之间的信任关系，重建信任关系，改善不正确信任带来的性能问题。我们提出了一个动态的信任修复模型。动态信任模型针对无人机监控系统，可以帮助无人机群减少故障无人机对无人机群性能的负面影响，获得灵活的反应和稳定的无人机监控任务性能。实验结果表明，信任模型可以提高群体对动态任务的响应性能，重新获得人类的信任。
2020-07-06 cs.RO
Integrated Design of Cooperative Area Coverage and Target Tracking with Multi-UAV System
National University of Defense Technology（国防科技大学）
本文系统地研究了多无人机协同区域覆盖和目标跟踪问题。将该问题分解为三个子问题：信息融合、任务分配和多无人机行为决策。具体来说，在信息融合过程中，我们使用最大一致性协议来更新多目标联合估计状态（JESMT）和区域检测信息。区域检测信息由基于区域检测概率和实际访问时间构建的等效访问时间图（EVTM）表示。然后，将多无人机搜索跟踪多目标的任务分配问题建模为一个具有上、下界的网络流模型。提出了一种任务分配最小成本最大流算法（TAMM）。协同行为决策以Fisher信息作为任务奖励，以获得无人机的最优跟踪动作。在此基础上，设计了一种基于防群集方法的无人机覆盖行为决策算法。最后，设计了一种融合信息融合、任务分配和行为决策的分布式多无人机协同区域覆盖和目标跟踪算法。数值仿真和半实物仿真结果表明，该方法能够实现持续区域覆盖和协同目标跟踪。
2023-03-16 cs.MA cs.RO
Deep Reinforcement Learning Enabled Persistent Surveillance with Energy-Aware UAV-UGV Systems for Disaster Management Applications
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出基于编码器-解码器Transformer与多头注意力的深度强化学习框架，协同优化无人机与无人地面车的路径和充电会合点，以最小化任务点访问间隔，实现灾害场景下能量感知的持续监视，并在解质量和运行时间上优于启发式及现有学习方法。
2025-02-04 cs.RO
Current Advancements on Autonomous Mission Planning and Management Systems: an AUV and UAV perspective
Seattle Children’s Research Institute, University of Washington（华盛顿大学西雅图儿童研究所）；Monash University（莫纳什大学）；University of Salford（索尔福德大学）
硬件技术的进步使复杂软件的集成更加完善，推动了无人驾驶汽车（UV）的开发和使用，并减轻了车载智能的限制。因此，UV现在可以参与更复杂的任务，其中环境条件的持续变化需要更高水平的态势响应。本文介绍了无人机任务规划和管理系统，旨在突出一些最近的发展，在该领域的自主水下和空中车辆，除了强调一些可能的未来方向，并讨论了经验教训。本研究综述了无人机自主性的评估方法，以及无人机自主性的不同方面，如态势感知、认知和决策。本文分别解释了人形和自主系统的性能，并强调了人类在UV操作中的作用和影响。
2020-07-10 cs.AI cs.RO
Fast Swarming of UAVs in GNSS-denied Feature-poor Environments without Explicit Communication
Czech Technical University in Prague（布拉格捷克技术大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本文提出一种去中心化无人机集群方法，通过邻域模型减少智能体间振荡，结合增强的多机器人状态估计策略和基于状态估计的无通信框架，实现了在无GNSS、特征贫乏环境下的快速协同飞行，并在真实实验中验证了其有效性。
2024-04-29 cs.RO
VG-Swarm: A Vision-based Gene Regulation Network for UAVs Swarm Behavior Emergence
Key Lab of Digital Signal and Image Processing of Guangdong Province（广东省数字信号与图像处理重点实验室）；College of Engineering, University of Shantou（汕头大学工学院）
针对无人机集群围捕依赖集中控制与通信的问题，提出纯视觉结合GRN的分布式控制方法，并用FSM实现集体搜索与围捕，经仿真和真实实验验证有效。
2022-12-26 cs.RO
Using UAVs for vehicle tracking and collision risk assessment at intersections
Purdue University（普渡大学）；Carnegie Mellon University（卡内基梅隆大学）；Qassim University（卡西姆大学）
碰撞风险评估是有效交通安全管理的关键挑战。部署无人驾驶飞行器（UAV）来解决这个问题已经显示出很大的希望，因为它们具有广阔的视野和灵活的运动。这项研究展示了无人机和V2X连接的应用，以跟踪道路使用者的移动并评估交叉路口的潜在碰撞。这项研究使用了无人机拍摄的视频。该方法结合了基于深度学习的跟踪算法和碰撞时间任务。研究结果不仅为车辆识别潜在的碰撞和运动规划提供了有益的信息，而且为城市道路管理部门和安全管理工程师提供了有价值的工具。
2021-10-11 cs.AI cs.RO eess.IV
Slot-hopping Enabled Loiter Guidance and Automation for Fixed-wing UAV Corridors
American Institute of Aeronautics and Astronautics, Inc.（美国航空航天学会）；Department of Mechatronics Engineering（机械电子工程系）；Department of Aerospace Engineering（航空航天工程系）
本文提出了一种基于slot-hopping的滞空引导策略，用于管理固定翼无人机走廊的交通拥堵问题，通过减少对现有飞行器的干扰，实现更紧凑的走廊布局。
2026-04-28 cs.RO cs.SY eess.SY
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
Communication-Free Collective Navigation for a Swarm of UAVs via LiDAR-Based Deep Reinforcement Learning
Department of Mechanical Engineering, Ulsan National Institute of Science and Technology（机械工程系，釜山国立科学技术研究院）；Department of Mechanical Engineering, Korea Advanced Institute of Science and Technology（机械工程系，韩国科学技术院）
本文提出一种基于激光雷达的深度强化学习方法，使无人机群在无通信和无外部定位的情况下实现稳健的集体导航。
2026-01-20 cs.AI cs.LG cs.MA
Swarm UAVs Communication
本文围绕灾害管理中的集群无人机通信展开，系统探讨了四旋翼类型、集群行为、优化算法、路径规划与编队保持，并基于Friis和地面反射模型仿真了链路性能随距离的变化。
2024-02-24 cs.DC 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
xApp Empowered Resource Management for Non-Terrestrial Users in 5G O-RAN Networks
School of Electronic and Electrical Engineering, University of Leeds（利兹大学电子与电气工程学院）；College of Electronics Engineering, Ninevah University（尼尼微大学电子工程学院）
本文提出一种基于双深度Q网络和迁移学习的UAV移动性管理xApp，用于O-RAN近实时无线电智能控制器环境，通过预测优化减少切换频率和掉线概率。
2026-05-11 cs.RO eess.SP
Practical Challenges in Landing a UAV on a Dynamic Target
Indian Institute of Science（印度科学学院）
无人机日益受到欢迎，其应用正在跨越科学和工业的界限，从航空摄影到包裹递送再到灾害管理，一切都受益于这项技术。但在它们变得司空见惯之前，要使它们变得可靠和安全，还需要解决一些挑战。本文讨论了与无人机精确着陆相关的挑战，包括传感和控制方法及其在各种应用中的优缺点。
2022-09-28 cs.RO
UAV Assisted Data Collection for Internet of Things: A Survey
Beijing University of Posts and Telecommunications（北京邮电大学）；University of Windsor（温莎大学）；Peng Cheng Laboratory（鹏城实验室）
无人机具有部署灵活、机动性强等优点，在灾害管理、农业植保、环境监测等领域得到了广泛应用，随着无人机技术和传感器技术的发展，无人机辅助物联网数据汇集越来越受到关注。本文对无人机辅助数据汇集的应用场景和关键技术进行了综述。首先，我们提出了系统模型，包括网络模型和数学模型的无人机辅助物联网数据汇集。然后，对无人机的传感器分簇、无人机数据汇集方式以及联合路径规划和资源分配等关键技术进行了综述。最后，从有效的多址接入以及联合传感和数据汇集的角度讨论了开放的问题。本文希望为无人机辅助物联网数据汇集领域的研究人员提供一些指导和见解。
2022-11-17 cs.RO
Dynamic Resource Management for Providing QoS in Drone Delivery Systems
University of Toronto（多伦多大学）
无人机已被视为包裹递送的替代手段，以减少递送成本和时间。由于电池的限制，无人机最适合最后一英里的交付，即，从包裹配送中心（PDC）到客户的递送。由于典型的递送系统由多个PDC组成，每个PDC具有随机且随时间变化的需求，因此动态无人机到PDC分配在以有效的方式满足需求方面将是非常重要的。在本文中，我们研究了动态无人机分配问题的无人机交付系统的目标是提供可测量的服务质量（QoS）保证。我们采用一个模糊的理论方法来模拟客户服务的性质的问题。此外，我们采取深度强化学习的方法来获得一个动态的无人机重新分配的政策。该策略保证了在每个PDC中等待的包的队列长度的概率上限，这从服务提供商和客户的角度来看都是有益的。我们评估我们提出的算法的性能，考虑三个广泛的到达类，包括伯努利，时变伯努利，和马尔可夫调制伯努利到达。我们的研究结果表明，所提出的方法优于基线，特别是在时变和马尔可夫调制伯努利到达的情况下，这更能代表现实世界的需求模式。此外，我们的算法满足QoS约束，在所有研究的情况下，同时最大限度地减少使用中的无人机的平均数量。
2021-03-06 cs.LG cs.MA cs.RO
UAV-Based Infrastructure Inspections: A Literature Review and Proposed Framework for AEC+FM
University of Virginia（弗吉尼亚大学）；Mississippi State University（密西西比州立大学）
本文综述了无人机在基础设施检查中的应用，提出框架整合多模态数据与Transformer架构，以提高检测准确性和可靠性，未来研究方向包括轻量级AI模型和合成数据集。
2026-08-21 cs.CV cs.RO
Drones on the Rise: Exploring the Current and Future Potential of UAVs
University of Huddersfield（哈德斯菲尔德大学）
本文综述 UAV 的发展历程、多领域当前应用、未来技术方向及隐私、安全和环境等挑战，呈现其潜力与风险。
2023-04-10 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
The Performance Analysis of Spectrum Sharing between UAV enabled Wireless Mesh Networks and Ground Networks
Beijing University of Posts and Telecommunications（北京邮电大学）
本文研究无人机使能的无线Mesh网络与地面网络间的频谱共享，利用随机几何和泊松点过程建模分析网络参数对覆盖概率的影响，并验证定向天线性能提升，通过最大化传输容量得出UAV最优高度。
2023-11-25 cs.PF cs.RO
Toward collision-free trajectory for autonomous and pilot-controlled unmanned aerial vehicles
University of Central Lancashire（中央兰开夏大学）；PilotAware Ltd（PilotAware有限公司）
本文提出基于电子显形信息的无人机感知碰撞管理方法，利用反应式几何冲突检测与解决技术生成时间最优规避机动，在无需复杂传感器和预先训练的情况下实现动态空域中无人机与有人机的碰撞避免。
2023-09-18 cs.AI cs.RO
Shepherding UAV Swarm with Action Prediction Based on Movement Constraints
Graduate School of Engineering, University of Hyogo（兵库县立大学工学研究生院）
本文提出了一种基于动态窗口方法的三维引导控制律，通过预测自主无人机群的行为来提高引导效率，考虑了运动约束下的可行运动候选生成和评估。
2026-08-03 cs.RO
CoUAV: A Cooperative UAV Fleet Control and Monitoring Platform
Southeast University（东南大学）；University of Puerto Rico at Mayagüez（波多黎各大学马亚圭斯分校）；City University of Hong Kong（香港城市大学）
在过去的十年中，无人机（UAV）已经广泛应用于各种民用应用，其中大多数只需要一架无人机。在不久的将来，预计将有越来越多的应用通过多架无人机的合作来实现。为了促进这样的应用程序，它是可取的，利用一个通用的控制平台的无人机合作。然而，现有的开源控制平台无法满足这样的需求，因为（1）它们仅支持领导者-追随者模式，这限制了机队控制的设计选择，（2）现有平台仅支持某些UAV，因此缺乏兼容性，以及（3）这些平台不能准确地模拟飞行任务，这可能导致模拟与真实飞行之间的巨大差距。针对这些问题，本文提出了一种通用的无人机协同机群控制与监控平台CoUAV，该平台提供了一套无人机协同的核心服务，包括同步、连接管理、路径规划、能量仿真等，为验证CoUAV的适用性，我们设计和开发了一个原型，并使用新系统执行紧急搜索应用程序，旨在以最短的飞行时间完成任务。为了实现这一目标，我们设计并实现了一个路径规划服务，同时考虑到无人机网络的连通性和覆盖范围，以最大限度地提高机队的效率。仿真和现场试验结果表明，该系统是可行的。
2019-04-08 cs.RO
Optimizing UAV Recharge Scheduling for Heterogeneous and Persistent Aerial Service
Universidad CEU San Pablo（圣帕布洛CEU大学）；Universitat Jaume I（海梅一世大学）；IMDEA Networks Institute（IMDEA网络研究所）
本文研究持续空中服务中的无人机充电调度问题，提出同构场景下最优的HORR，并针对异构NP难场景设计基于位置划分、接近下界性能的轻量级PHERR方案。
2022-05-25 cs.RO eess.SP
Is Alice Really in Wonderland? UWB-Based Proof of Location for UAVs with Hyperledger Fabric Blockchain
University of Turku（图尔库大学）；Tampere University（坦佩雷大学）
提出结合Hyperledger Fabric许可链与UWB通信的方法，解决无人机身份与位置验证问题，防止位置欺骗。
2023-04-03 cs.CR cs.RO
Large Language Model-Assisted UAV Operations and Communications: A Multifaceted Survey and Tutorial
IEEE
本文综述了大型语言模型在无人机操作与通信中的应用，探讨了LLMs在提升UAV智能方面的多方面技术与未来研究方向。
2026-03-01 cs.AI cs.RO
Explainable AI for UAV Mobility Management: A Deep Q-Network Approach for Handover Minimization
KTH Royal Institute of Technology（皇家理工学院）；Motius；Aalborg University（奥尔堡大学）；Airbus Central Research and Technology（空客中央研究与技术）
针对无人机蜂窝网络频繁切换问题，提出一种结合SHAP的可解释DQN框架，量化RSRP等状态特征对切换决策的影响，提升RL方案的可解释性与可靠性。
2025-04-25 cs.LG cs.SY eess.SY
A Solution for Dynamic Spectrum Management in Mission-Critical UAV Networks
Northern Arizona University（北亚利桑那大学）；Suffolk University（萨福克大学）；Air Force Research Laboratory（空军研究实验室）
在本文中，我们研究的频谱稀缺的问题，在网络中的无人机（UAV）在关键任务的应用，如灾害监测和公共安全任务，其中预先分配的频谱是不足以提供高数据传输速率的实时视频流。在这种情况下，UAV网络可以租用陆地许可网络的部分频谱，以换取提供中继服务。为了优化无人机网络的性能并延长其寿命，一些无人机将作为主网络的中继，而其余的无人机执行其感测任务。在这里，我们提出了一个团队强化学习算法由无人机的控制器单元执行，以确定无人机之间的传感和中继任务的最佳分配，以及在每个时间的重新定位策略。我们分析了我们的算法的收敛性和目前的仿真结果，以评估在不同的情况下的系统吞吐量。
2019-04-16 cs.AI cs.LG cs.MA
Communication-Efficient Massive UAV Online Path Control: Federated Learning Meets Mean-Field Game Theory
University of Oulu（奥卢大学）；Deakin University（迪肯大学）
本文研究了对大量无人机（如无人机）的控制。通过考虑无人机之间的相互作用来控制无人机以形成群的简单方法需要大量的无人机间通信，这在实时应用中是不可能实现的。一种控制方法是应用平均场博弈（MFG）框架，该框架大大减少了UAV之间的通信。然而，要实现这一框架，强大的处理器需要获得在不同的无人机的控制律。这一要求限制了MFG框架在大规模无人机控制等实时应用中的使用。因此，一个基于神经网络（NN）的函数逼近器被用来逼近Hamilton-Jacobi-Bellman（HJB）和Fokker-Planck-Kolmogorov（FPK）方程的解。然而，使用近似解可能违反MFG框架的收敛条件。因此，联邦学习（FL）的方法，可以在无人机上共享神经网络的模型参数，提出了基于神经网络的MFG，以满足所需的条件。神经网络的MFG方法的稳定性分析和拟议FL-MFG的性能阐述了模拟。
2020-08-12 cs.LG cs.NI eess.SP
Efficient resource management in UAVs for Visual Assistance
世界各地对无人机（UAV）用于农业、军事、灾害管理和航空摄影的兴趣越来越大。无人机是可扩展的，灵活的，并在各种环境中，直接人为干预是困难的。一般来说，由于其在现实生活场景中的广泛应用，安装有相机的UAV的使用数量已经增加。随着计算机视觉中深度学习模型的出现，许多模型在视觉任务中取得了巨大成功。但是大多数的评估模型都是在高端的CPU和GPU上完成的。使用UAV进行实时的视觉辅助任务的主要挑战之一是管理这些任务的存储器使用和功耗，这些任务是计算密集型的并且难以在UAV的低端处理器板上执行。该项目描述了一种新的方法来优化一般的图像处理任务，如对象跟踪和目标检测的无人机硬件在实时的场景，而不影响飞行时间和不篡改这些模型的延迟和准确性。
2020-08-04 cs.CV cs.LG eess.IV
GNN-Empowered Effective Partial Observation MARL Method for AoI Management in Multi-UAV Network
Xidian University（西安电子科技大学）；The Hong Kong Polytechnic University（香港理工大学）；Northwest Institute of Nuclear Technology（西北核技术研究院）
本文提出Qedgix框架，结合GNN与QMIX算法，在未知多无人机网络中基于CTDE优化Dec-POMDP，以降低用户平均AoI并提升收敛速度。
2024-08-18 cs.IT cs.LG cs.MA
Towards On-Device AI and Blockchain for 6G enabled Agricultural Supply-chain Management
Waterford Institute of Technology（沃特福德理工学院）；Walton Institute（沃尔顿研究所）；Northumbria University Newcastle（纽卡斯尔诺森比亚大学）；National University of Sciences and Technology（国立科技大学）
6G设想了人工智能（AI）驱动的解决方案，以提高网络中的服务质量（QoS）并确保资源的最佳利用。在这项工作中，我们提出了一种基于无人机（UAV），人工智能和区块链相结合的农业供应链管理架构，旨在确保可追溯性，透明度，跟踪库存和合同。我们提出了一种解决方案，通过生成具有各种资源准确性权衡的模型路线图来促进设备上的AI。一个完全的卷积神经网络（FCN）模型用于通过无人机捕获的图像进行生物量估计。而不是一个单一的压缩FCN模型部署在无人机上，我们激励迭代修剪的想法，以提供多个特定于任务的模型，具有不同的复杂性和准确性。为了减轻6G使能的动态UAV网络中的飞行故障的影响，所提出的模型选择策略将帮助UAV基于运行时资源需求来更新模型。
2022-03-12 cs.AI cs.LG cs.NI
An Autonomous Spectrum Management Scheme for Unmanned Aerial Vehicle Networks in Disaster Relief Operations
Northern Arizona University（北亚利桑那大学）
研究了无人机（UAV）网络在执行野火监测、搜救和灾害监测等关键任务时的频谱短缺问题。此类应用涉及对高吞吐量数据传输的高需求，例如实时视频流、图像流和语音流，其中分配给UAV网络的频谱可能不足以提供期望的服务质量（QoS）。在这些情况下，空中网络可以从可用的地面网络借用额外的频谱，以换取它们的中继服务。我们提出了一个频谱共享模型，在该模型中，无人机被分为两类中继无人机服务的频谱所有者和传感无人机执行救灾任务，使用所获得的频谱。无人机网络的操作由分层机制管理，其中中央控制器基于其资源分配无人机的任务，并基于受影响区域的优先级确定其操作区域，然后无人机使用无模型强化学习算法自主微调其位置，以最大化个体吞吐量并延长其寿命。我们分析了所提出的方法的性能和收敛性分析，并在不同的情况下进行了广泛的模拟。
2019-11-26 cs.LG cs.NI eess.SP
Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；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）；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）；China Mobile Communications Group Jilin Co., Ltd.（中国移动通信集团吉林有限公司）
针对偏远/灾害场景下6G物联网融合SWIPT的技术挑战，提出带定向天线的无人机辅助MEC系统，通过改进SAC算法求解双目标资源管理优化问题，实现高能效与强泛化性。
2025-05-21 cs.LG
Hierarchical Multi-Agent DRL Based Dynamic Cluster Reconfiguration for UAV Mobility Management
KTH Royal Institute of Technology（瑞典皇家理工学院）；Princeton University（普林斯顿大学）；Linköping University（林雪平大学）；Aalborg University（奥尔堡大学）；Airbus（空中客车公司）
本文提出基于层次多智能体深度强化学习的动态集群重构方法，用于提升无人机移动管理的效率与可扩展性。
2026-01-28 cs.LG cs.MA cs.NI
A comprehensive survey of research towards AI-enabled unmanned aerial systems in pre-, active-, and post-wildfire management
Clemson University（克莱姆森大学）；NSF National Center for Atmospheric Research（美国国家科学基金会国家大气研究中心）；University of San Francisco（旧金山大学）；Northern Arizona University（北亚利桑那大学）；U.S.D.A. Forest Service, Pacific Wildland Fire Science Laboratory（美国农业部林务局太平洋野火科学实验室）；Georgia Institute of Technology（佐治亚理工学院）
本综述系统回顾了AI赋能无人机系统在火灾前、火灾中和火灾后管理中的最新技术进展，涵盖遥感设备、计算机视觉算法及多阶段管理策略，强调了AI与UAV数据整合对提升野火建模与预测能力的重要贡献。
2024-01-04 cs.AI cs.LG
A Unified Framework for Joint Mobility Prediction and Object Profiling of Drones in UAV Networks
School of Informatics, Computing and Cyber Systems, Northern Arizona University, Flagstaff, AZ（信息学、计算与网络系统学院，北亚利桑那大学，弗拉格斯塔，亚利桑那）；Air Force Research Laboratory, Rome, NY（空军研究实验室，罗马，纽约）
本文提出一种无监督在线学习算法，用于无人机网络中无人机的移动预测和物体特征联合预测，以提升控制和通信协议的效率。
2018-07-31 cs.LG cs.NI cs.SY
Deep Sensitivity Analysis for Objective-Oriented Combinatorial Optimization
Mississippi State University（密西西比州立大学）；USDA-ARS（美国农业部农业研究局）
该研究将家禽养殖中多病原体控制的管理措施选择建模为多目标组合优化问题，提出结合神经网络反馈、特征解释与全局敏感性分析的方法，并在两个真实农业数据集上验证其潜力。
2024-02-28 cs.AI cs.LG
Top-k Multi-Armed Bandit Learning for Content Dissemination in Swarms of Micro-UAVs
针对灾害场景下通信基础设施受损的问题，提出采用去中心化Top-k多臂老虎机学习的自适应微型无人机集群内容分发框架，结合选择性缓存算法提升内容可访问性与系统适应性。
2025-01-15 cs.LG cs.NI
Towards Federated Multi-Armed Bandit Learning for Content Dissemination using Swarm of UAVs
Michigan State University（密歇根州立大学）
针对灾害场景下通信隔离用户的关键内容访问需求，提出无人机群混合网络架构，结合联邦多臂老虎机学习与选择性缓存算法优化缓存策略，提升内容可用性并验证其在多场景下的有效性。
2025-04-18 cs.LG cs.NI
Multi-Armed Bandit Learning for Content Provisioning in Network of UAVs
Michigan State University（密歇根州立大学）
本文提出一种基于Top-k多臂老虎机学习的无人机内容缓存决策模型，在灾难场景中最大化内容可用性，兼顾地理-时间流行度差异与需求异质性。
2023-12-18 cs.LG cs.NI eess.SP
Mapping Walnut Water Stress with High Resolution Multispectral UAV Imagery and Machine Learning
The Harker School（哈克学校）；UC Davis（加州大学戴维斯分校）
本研究提出一种结合无人机多光谱影像与气象数据的随机森林机器学习方法，有效绘制和评估核桃茎水势及水分胁迫水平，为果园单株精准灌溉管理提供了高性价比的数据驱动工具。
2024-01-10 cs.CV cs.LG
Latency-aware Multimodal Federated Learning over UAV Networks
ECE Department, University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校电子与计算机工程系）
针对无人机辅助联邦多模态学习的系统时延优化问题，提出结合块坐标下降与连续凸逼近的迭代算法，联合优化多类资源与无人机调度，还给出非凸损失下的收敛分析，实验验证其时延与训练性能更优。
2025-10-02 cs.AI cs.LG
