Learning Monocular Reactive UAV Control in Cluttered Natural Environments
Institute for Computer Graphics and Vision（计算机视觉研究所）；Graz University of Technology（格拉茨技术大学）
本文使用单目相机和模仿学习训练控制器，使小型四旋翼飞行器能在自然森林环境中以1.5m/s速度自主避障导航。
2012-11-07 cs.CV cs.LG 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
Multi-UAV Deployment in Obstacle-Cluttered Environments with LOS Connectivity
Peking University（北京大学）
针对障碍物密集环境中多无人机通信受限问题，提出基于最小边RRT$^\star$的约束搜索方法构建少无人机的生成树拓扑，结合含视距连接约束的分布式模型预测控制实现运动协调，经仿真和硬件实验验证了有效性与动态适应性。
2023-08-23 cs.RO
Flying through cluttered and dynamic environments with LiDAR
Department of Mechanical Engineering, University of Hong Kong（香港大学机械工程系）
本文提出一种基于LiDAR的完整系统，集成M-detector感知与DynIPC规划，使无人机在杂乱动态环境中实时规避移动障碍，仿真与实测验证其优越性。
2025-04-24 cs.RO cs.SY eess.SY
Multi-UAV Deployment in Obstacle-Cluttered Environments with LOS Connectivity
Department of Mechanics and Engineering Science, College of Engineering, Peking University（力学与工程科学系，工程学院，北京大学）；National University of Defense Technology（国防科技大学）
针对障碍物杂乱环境中多无人机通信受限及部署连通性维持难题，提出基于最小边RRT?的约束搜索方法生成低无人机需求的生成树拓扑，结合含LOS等约束的分布式模型预测控制实现运动协调，经仿真与硬件实验验证了有效性与动态适配性。
2025-07-29 cs.RO
Bubble Explorer: Fast UAV Exploration in Large-Scale and Cluttered 3D-Environments using Occlusion-Free Spheres
University of Hong Kong（香港大学）；Harbin Institute of Technology（哈尔滨工业大学）
提出Bubble Explorer方法，利用无遮挡球体生成低成本视点，结合贪婪策略与全局优化，实现大规模杂乱3D环境中UAV的快速高效探索。
2023-04-03 cs.RO
Saliency-Depth Conditioning for Zero-Shot Segmentation of Communication-Tower Components in Cluttered UAV Imagery
University of Waterloo（滑铁卢大学）；Soongsil University（崇实大学）
针对无人机影像通信塔部件零样本分割的背景干扰问题，提出显著性-深度前景条件策略，集成至Grounded-SAM与SAM 3，在TOW-300数据集上提升了实例分割性能并减少误报。
2026-08-27 cs.AI cs.CV cs.RO
A Model Predictive Path Integral Method for Fast, Proactive, and Uncertainty-Aware UAV Planning in Cluttered Environments
University of Virginia（弗吉尼亚大学）
针对杂乱环境中无人机跟踪误差导致碰撞的问题，提出基于模型预测路径积分（MPPI）的运动规划框架，结合数据驱动的风险函数，减少所需样本数，实验证明该方法能主动适应障碍物并完全消除碰撞。
2023-08-02 cs.RO
HEPP: Hyper-efficient Perception and Planning for High-speed Obstacle Avoidance of UAVs
Department of Mechanical Engineering, The University of Hong Kong（机械工程系，香港大学）；Northwestern Polytechnical University（西北工业大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出HEPP系统，通过增量建图、拓扑路径搜索和自适应轨迹生成，实现无人机在杂乱环境中高速避障，耗时显著降低。
2025-05-23 cs.RO
NMPP: Nonlinear Model Predictive Planning for Agile UAV Flight in Cluttered Environments
Czech Technical University in Prague（捷克理工大学）
针对杂乱环境中的敏捷无人机飞行，提出非线性模型预测规划（NMPP），将障碍物作为硬约束，提供全状态参考，显著降低跟踪误差并提高飞行成功率。
2026-10-07 cs.RO
Optimal Smooth Coverage Trajectory Planning for Quadrotors in Cluttered Environment
Guangdong Power Grid Co. Ltd.（广东电力电网公司）；Shenzhen Institute of Artificial Intelligence（深圳人工智能与机器人研究院）
针对电网场景下杂乱环境中的无人机覆盖任务，提出前端GA求解TSP、后端非线性最小二乘优化平滑性、耗时与避障的两阶段轨迹规划算法，并通过仿真验证其有效性。
2025-10-03 cs.RO
SWIFT-Nav: Stability-Aware Waypoint-Level TD3 with Fuzzy Arbitration for UAV Navigation in Cluttered Environments
School of Computer Science and Engineering, University of New South Wales（计算机科学与工程学院，新南威尔士大学）；Escuela de Ingeniería, Universidad Central de Chile（工程学院，智利中央大学）
SWIFT-Nav 通过结合 TD3、优先回放、校准探索和模糊安全规则，实现 UAV 在 cluttered 环境中的高效可靠导航。
2025-12-17 cs.RO
Trajectory Tracking for UAVs: An Interpolating Control Approach
New Technologies for the Information Society Research Center（信息技术新技术研究中心）；Department of Cybernetics（控制论系）；Faculty of Applied Sciences（应用科学学院）；University of West Bohemia（西波希米亚大学）
本文研究了插值控制（IC）在无人机实时轨迹跟踪中的有效性，通过仿真和实验室实验评估改进的eIC控制器，发现其在保持与MPC相当性能的同时显著降低了计算复杂度，适用于资源受限平台。
2024-07-02 cs.RO cs.SY eess.SY
UAV Target Tracking in Urban Environments Using Deep Reinforcement Learning
IIIT-Delhi（印度德里信息技术学院）；Indian Institute of Science Education and Research, Bhopal（印度博帕尔科学教育与研究学院）
在城市环境中，由于视野有限、障碍物的遮挡以及目标运动的不确定性，无人机对目标的持续跟踪是一项困难的任务。车辆需要在3D中进行智能规划，以便最大限度地提高目标可见性。在本文中，我们介绍了目标跟踪DQN（TF-DQN），一种基于深度Q网络的深度强化学习技术，具有课程训练框架，用于无人机在存在障碍物和目标运动不确定性的情况下持续跟踪目标。该算法进行了评估，通过几个模拟实验定性以及定量。结果表明，无人机在不同的环境中持续跟踪目标，同时避开训练环境和不可见环境中的障碍物。
2020-07-21 cs.RO cs.SY eess.SY
Error-State LQR Formulation for Quadrotor UAV Trajectory Tracking
Carnegie Mellon University（卡内基梅隆大学）
提出一种基于误差状态线性二次型调节器的四旋翼无人机轨迹跟踪方法，利用指数坐标表示姿态误差，结合全状态反馈与级联体速率控制器实现鲁棒控制。
2026-07-28 cs.RO cs.SY eess.SY
Control-Aware Trajectory Predictions for Communication-Efficient Drone Swarm Coordination in Cluttered Environments
National University of Singapore（新加坡国立大学）
针对复杂环境下无人机集群通信受限问题，提出融合 EvolveGCN 轨迹预测与 KKT 条件训练的控制感知方法，为 DMPC 提供邻居轨迹预测，实现近优且鲁棒的通信高效协同控制。
2024-12-10 cs.RO
Systematic Online Tuning of Multirotor UAVs for Accurate Trajectory Tracking Under Wind Disturbances and In-Flight Dynamics Changes
Khalifa University（哈利法大学）
近年来，由于无人机航空电子技术和应用领域的发展，对多旋翼无人机（UAV）精确快速轨迹跟踪的需求不断增长。在许多应用中，多旋翼无人机需要在具有挑战性的场景中准确地执行攻击性机动，例如外部风干扰或飞行中有效载荷变化的存在。在本文中，我们提出了一个系统的控制器整定方法的基础上获得的识别结果，最近开发的深度神经网络与改进的继电器反馈测试（DNN-MRFT）算法。我们制定了一个线性等效表示适合DNN-MRFT使用反馈线性化。这种表示使不同的控制器结构和调整设置的分析调查，并捕捉系统的非线性趋势。该方法使设计中性能和鲁棒性的折衷成为可能，便于在不确定环境下无人机控制器的设计。我们证明，我们的方法是自适应和强大的，通过一组实验，保持准确的轨迹跟踪，尽管显着变化的无人机的空气动力学特性和风扰动的应用。由于基于模型的系统设计，它是可能的，以获得低的仿真和实验结果之间的差异，这是有益的潜在使用所提出的方法，实时基于模型的规划和故障检测任务。我们在强风的存在下跟踪侵略性轨迹时获得了$3.59 \; cm$的RMSE，这与最先进的水平相当。
2021-10-11 cs.RO cs.SY eess.SY
Cooperative Transportation of UAVs Without Inter-UAV Communication
National Chiao Tung University（国立交通大学）
提出了一种基于主从系统的协同运输系统。据我们所知，这是第一个不需要无人机之间通信的工作，并且可以实时修改有效载荷的参考轨迹，以便它可以应用于动态变化的环境。为了在无通信条件下实时跟踪修改后的参考轨迹，将领导者-跟随者系统视为非完整系统，设计了领导者的控制器以实现对有效载荷的渐近跟踪.为了消除安装力传感器的需要，开发了UKFs（无迹卡尔曼滤波器）来估计由领导者和跟随者施加的力。对闭环系统的跟踪误差进行了稳定性分析。仿真结果表明了该跟踪控制器的良好性能。实验结果表明，所设计的主从控制器在实际环境中均能正常工作，但在受限空间内，气流扰动对跟踪误差有较大影响。
2021-11-05 cs.RO cs.SY eess.SY
Lightweight 3D LiDAR-Based UAV Tracking: An Adaptive Extended Kalman Filtering Approach
Institute for Systems and Robotics（系统与机器人研究所）
本文提出一种轻量级基于3D激光雷达的无人机跟踪系统，采用自适应扩展卡尔曼滤波框架，解决稀疏、噪声和非均匀点云数据的跟踪问题，适用于小无人机的严格载荷约束。
2026-03-16 cs.RO cs.SY eess.SY
Pushbroom Stereo for High-Speed Navigation in Cluttered Environments
Massachusetts Institute of Technology（麻省理工学院）
我们提出了一种新的立体视觉算法，能够在移动CPU处理器上以每秒120帧的速度进行障碍物检测。我们的系统执行标准块匹配立体处理的一个子集，只搜索单一深度的障碍物。通过使用机载IMU和状态估计器，我们可以在所有其他深度恢复障碍物的位置，以帧速率构建和更新完整的深度图。在这里，我们描述的算法和我们的实现高速，小型无人机，飞行速度超过20英里每小时（9米/秒）接近障碍物。该系统不需要外部传感或计算，据我们所知，它是第一个在小型无人机上运行的高帧率立体探测系统。
2014-07-26 cs.CV cs.RO
Robust tracking of an unknown trajectory with a multi-rotor UAV: A high-gain observer approach
Michigan State University（密歇根州立大学）
研究了存在建模误差和外部扰动的多旋翼系统的轨迹跟踪问题。期望轨迹是未知的，并且从具有未知或部分已知动态的参考系统生成。我们假设仅可以访问多转子的位置和取向测量以及参考系统的位置测量。我们采用一个扩展的高增益观测器（EHGO）估计框架来估计轨迹跟踪所需的前馈项，多转子状态，以及建模误差和外部干扰。设计了一种用于轨迹跟踪的输出反馈控制器，该控制器由反馈线性化控制器和EHGO组成。我们严格分析所提出的控制器，并建立其稳定性。最后，我们数值说明我们的理论结果使用的例子多旋翼着陆在地面车辆。
2020-04-27 cs.RO cs.SY eess.SY
Soft Tracking Using Contacts for Cluttered Objects to Perform Blind Object Retrieval
University of Michigan（密歇根大学）
从橱柜、冰箱或垃圾箱等杂乱的空间中检索对象需要用有限的视觉传感或没有视觉传感来跟踪对象。在这些场景中，接触反馈对于估计对象的姿态是必要的，然而对象是可移动的，而它们的形状和数量可能是未知的，使得接触与对象的关联极其困难。虽然以前的工作集中在多目标跟踪，其中的假设禁止使用现有的方法只给出了接触式传感模式。相反，本文提出的方法软跟踪使用接触杂乱的对象（STUCCO），跟踪的信念接触点定位和隐式对象关联使用粒子滤波器。这种方法允许在新信息可用时修改过去联系人的模糊对象关联。我们应用STUCCO盲对象检索问题，其中已知形状，但未知的姿态的目标对象必须从杂波中检索。我们的研究结果表明，我们的方法优于基线在四个模拟环境中，并在一个真正的机器人，接触传感是嘈杂的。在模拟中，我们在所有环境中实现了至少65%的抓取成功率，而没有基线达到5%以上。
2022-01-25 cs.RO
Vision and Learning for Deliberative Monocular Cluttered Flight
Carnegie Mellon University（卡内基梅隆大学）；NVIDIA Corporation（英伟达公司）；George Mason University（乔治梅森大学）；Harvey Mudd College（哈维穆德学院）
摄像机提供了丰富的信息来源，同时对于中小型无人机（UAV）来说是被动的、便宜的和轻便的。在这项工作中，我们提出了滚动时域控制，这是广泛应用于地面车辆，单目视觉作为唯一的传感模式，自主无人机飞行在密集的杂波的第一个实现。我们通过许多贡献使其在无人机上变得可行：通过相关和多样的感知和控制的新型耦合，对机器人周围场景的多种解释，利用机器学习的最新进展来展示任何时候预算成本敏感的特征选择，以及用于单目深度预测的快速非线性回归。我们经验性地证明了我们的新管道的功效，通过超过2公里的真实世界的实验，通过密集的树木与四旋翼从现成的零件。此外，我们的管道旨在将来自其他模式（如立体声和激光雷达）的信息结合起来。
2014-11-24 cs.CV cs.LG cs.RO
Multi-UAV Planning for Cooperative Wildfire Coverage and Tracking with Quality-of-Service Guarantees
Georgia Institute of Technology（佐治亚理工学院）
近年来，研究人员委托机器人和无人机（无人机）团队进行准确的在线野火覆盖和跟踪。虽然大多数先前的工作集中在这种多机器人系统的协调和控制上，但迄今为止，这些UAV团队还没有被赋予推理火灾轨迹的能力（即，位置和传播动态）以在时间范围上提供性能保证。受空中野火监测问题的启发，我们提出了一个预测框架，该框架使多无人机团队能够在概率性能保证的情况下进行合作，以实现协作的现场覆盖和火灾跟踪。我们的方法使无人机推断的潜在火灾传播动力学的时间延长的协调在安全关键条件。我们推导出一组新的，分析的时间，和跟踪误差的界限，使无人机团队分配其有限的资源，并根据情况下的特定估计状态覆盖整个火灾区域，并提供概率性能保证。我们的结果不仅限于空中野火监测的案例研究，一般适用于问题，如搜索和救援，目标跟踪和边境巡逻。我们评估我们的方法在模拟和演示的物理多机器人测试平台上的建议框架，以考虑到真正的机器人动力学和限制。我们的定量评估验证了我们的方法的性能，分别比最先进的基于模型和强化学习基准测试的跟踪误差小7.5倍和9.0倍。
2022-06-21 cs.AI cs.RO cs.SY
Collaborative Tracking and Capture of Aerial Object using UAVs
Guidance Control and Decision Systems Laboratory Department of Aerospace Engineering Indian institute of Science（印度科学研究所航空航天工程系制导控制与决策系统实验室）；Robert Bosch Center for Cyber Physical Systems Indian Institute of Science（印度科学研究所罗伯特·博世网络物理系统中心）
这项工作的细节问题的空中目标捕获使用多个无人机。这个问题的动机来自2020年穆罕默德·本·扎耶德国际机器人挑战赛的挑战1。无人机利用视觉反馈自主检测目标，接近目标并捕获，而不会干扰携带目标的车辆。多无人机协作提高了系统的效率，并增加了在短时间内鲁棒地捕获球的机会。在本文中，所提出的架构进行了验证，通过模拟在ROS-Gazebo环境，并进一步实现在硬件上。
2020-10-04 cs.CV cs.RO cs.SY
Fast-Tracker: A Robust Aerial System for Tracking Agile Target in Cluttered Environments
Zhejiang University（浙江大学）
本文提出了一种系统的解决方案，使用无人机（UAV）积极和安全地跟踪一个敏捷的目标。该解决方案能够正确处理无人机未知目标意图和密集环境的挑战性情况。我们的工作分为两部分：目标运动预测和跟踪轨迹规划。目标运动预测方法利用目标观测值来可靠地预测考虑动态约束的目标的未来运动。跟踪轨迹规划器遵循传统的分层工作流程，前端采用基于目标信息的运动动力学搜索方法，主动搜索安全的跟踪轨迹。然后，后端优化器将其细化为时空最佳和无冲突的轨迹。所提出的解决方案被集成到机载四旋翼系统中。在实际跟踪任务中对该系统进行了测试，并通过基准测试验证了该方法在时间效率和跟踪效果上优于现有的方法。
2020-11-08 cs.RO
Collaborative target-tracking control using multiple autonomous fixed-wing UAVs with constant speeds
Department of Electrical Engineering, Eindhoven University of Technology（埃因霍温理工大学电子工程系）；Universidad Complutense de Madrid（马德里complutense大学）；Research School of Electrical, Energy and Material Engineering, Australian National University（澳大利亚国立大学电气、能源和材料工程研究学校）；Optus-Curtin Centre of Excellence in Artificial Intelligence, Curtin University（Curtin大学人工智能卓越中心）
本文研究了使用多架固定翼无人机进行协同跟踪控制的问题，通过设计控制器使无人机群体能够协同跟踪目标的位置和速度，提出了相对速度条件和参考速度构造方法，并讨论了常速约束下的控制器设计和性能限制。
2020-09-02 cs.MA cs.RO cs.SY
LiDAR-based Quadrotor Autonomous Inspection System in Cluttered Environments
University of Hong Kong（香港大学）
提出基于LiDAR的四旋翼无人机双阶段巡检系统，结合人在环与自主巡检，利用TSP优化任务序列，在复杂GNSS拒止环境中显著提升巡检效率与安全性。
2025-03-29 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
Towards Robust UAV Tracking in GNSS-Denied Environments: A Multi-LiDAR Multi-UAV Dataset
University of Turku（图尔库大学）；Swiss Federal School of Technology in Zurich - ETH Zurich（苏黎世联邦理工学院）
针对GNSS拒止环境，提出一个多LiDAR多无人机数据集，包含多种传感器和室内外场景，并基准测试现有算法，揭示当前方法在不同场景下无法一致跟踪的缺陷。
2023-10-13 cs.RO
Evaluating the Performance of Multi-Scan Integration for UAV LiDAR-based Tracking
University of Turku（图尔库大学）
本文评估了多扫描集成方法在GNSS受限环境中使用固态激光雷达和卡尔曼滤波器跟踪无人机的性能，结果表明该方法能实现较低的位置误差，是一种可行的跟踪方案。
2023-05-10 cs.RO
Towards Multi-robot Exploration: A Decentralized Strategy for UAV Forest Exploration
ETH Zürich（苏黎世联邦理工学院）
有效的勘探战略在诸如搜索和救援任务和灾害调查等任务中至关重要。无人机（UAV）在这些应用中变得特别受欢迎，有望以高速覆盖大面积。此外，随着机载无人机感知的日益成熟，研究重点已经转向单机器人和多机器人任务的高级推理。然而，自主导航和探索以前未知的大空间仍然是一个开放的挑战，特别是当环境混乱，并表现出大而频繁的闭塞，由于高障碍密度，如森林的情况。此外，在这样的场景中，远距离无线通信的问题可能成为一个限制因素，特别是在无人机群的自动导航时。本着这种精神，这项工作提出了一种探索策略，使无人机，无论是单独的还是小规模的，都能以分散的方式快速探索复杂的场景。通过为每个无人机提供决策能力以在不同的执行模式之间切换，所提出的策略在对完全未知的区域进行谨慎探索和对未知空间的较小区域进行更积极的探索之间取得了很大的平衡。这导致对密度可变的森林区域进行全覆盖，始终比最先进的速度更快。这项工作展示了使用单个无人机以及最多三个无人机的集群的成功部署，阐述了多根探索的基本原则杂乱的场景，在单架无人机情况下，速度可提高65%，在多架无人机情况下，在相同的任务时间内，探索区域可增加40%。
2023-01-20 cs.MA cs.RO
Continuity-Aware Latent Interframe Information Mining for Reliable UAV Tracking
Tongji University（同济大学）；Harbin Engineering University（哈尔滨工程大学）
无人机跟踪是无人机自主导航的关键，在机器人自动化领域有着广泛的应用。然而，可靠的无人机跟踪仍然是一个具有挑战性的任务，由于各种困难，如频繁的遮挡和纵横比的变化。此外，大多数现有的工作主要集中在显式信息，以提高跟踪性能，忽略了潜在的帧间连接。为了解决上述问题，这项工作提出了一种新的框架与连续意识的潜在帧间信息挖掘可靠的无人机跟踪，即，ClimRT。提出了一种新的基于连续性的隐帧间信息挖掘网络ClimNet，用于无人机跟踪，该网络能够在相邻帧间生成高效的隐帧。此外，一种新的位置连续性Transformer（LCT）的设计，充分利用连续性感知的时空信息，从而显着提高无人机跟踪。在三个权威的航空基准上进行的大量定性和定量实验有力地验证了ClimRT在无人机跟踪性能方面的鲁棒性和可靠性。最后，通过高空作业平台的实际测试，验证了该方法的实用性和有效性。代码和演示材料在https://github.com/vision4robotics/ClimRT上发布。
2023-03-08 cs.CV cs.RO
UAV Tracking with Solid-State Lidars:Dynamic Multi-Frequency Scan Integration
University of Turku（图尔库大学）；Swiss Federal School of Technology in Zurich - ETH Zurich（苏黎世联邦理工学院）
针对复杂环境下无人机跟踪难题，提出基于固态激光雷达的动态多频率扫描积分跟踪方法，融合双频扫描并结合逆协方差交集法与卡尔曼滤波，实现与基线相当且单频场景下更可靠精准的跟踪效果。
2023-07-18 cs.RO
Object Detection and Tracking with Autonomous UAV
Huawei Turkey R&D Center（华为土耳其研发中心）；Istanbul University – Cerrahpasa（伊斯坦布尔大学-塞拉赫帕萨分校）
本文以作战无人机为研究对象，建立了作战无人机的仿真模型.旋翼无人机成功地执行了各种任务，如锁定目标，跟踪，并与周围车辆共享相关数据。采用了不同的软件技术，如API通信、地面控制站配置、自主运动算法、计算机视觉和深度学习。
2022-06-26 cs.CV cs.RO
Implementation of an Onboard Visual Tracking System with Small Unmanned Aerial Vehicle (UAV)
University of North Dakota（北达科他大学）
本文介绍了一种小型无人机上的视觉跟踪系统，该系统能够实现或运行实时的跟踪。跟踪系统在计算上是高效的，并且对于对象或相机的照明变化和旋转是不变的。探测和跟踪是在有效载荷计算机上自主进行的，有两种不同的方法来创建图像块。第一种方法使用在飞行之前用先前的飞行数据创建的存储的图像块来开始检测和跟踪。第二种方法允许地面上的操作员选择无人机要跟踪的感兴趣物体。跟踪系统能够在跟踪失败的事件中重新检测感兴趣的对象。跟踪系统的性能在实验室和无人机的实际飞行中得到了验证。结果表明，该系统可以运行在船上，并跟踪不同的对象集在实时的。
2012-05-25 cs.RO
Color-Pair Guided Robust Zero-Shot 6D Pose Estimation and Tracking of Cluttered Objects on Edge Devices
Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系）
针对边缘设备上新物体在复杂光照下的零样本 6D 姿态估计与跟踪问题，提出共享光照不变颜色对特征的统一框架，兼顾鲁棒初始配准、轻量运动回归与突变姿态下的高保真跟踪。
2025-09-28 cs.CV cs.RO
Automatic Failure Recovery and Re-Initialization for Online UAV Tracking with Joint Scale and Aspect Ratio Optimization
Tongji University（同济大学）；New York University（纽约大学）
当前无人机（无人机）视觉跟踪算法主要局限于：（i）它们可以处理的尺寸变化类型，（ii）实现速度难以满足实时要求。本文提出了一种具有强大尺寸估计能力的无人机实时跟踪算法。具体地，总体跟踪任务被分配给两个2D滤波器：（i）用于空间域中的位置预测的平移滤波器，（ii）用于尺寸域中的尺度和纵横比优化的尺寸滤波器。此外，针对无人机长时间跟踪任务，提出了一种有效的两阶段重检测策略。在四个无人机基准上的大规模实验证明了该方法的优越性，该方法在低成本CPU上具有计算可行性。
2020-08-10 cs.CV cs.RO
Visual-Inertial Target Tracking and Motion Planning for UAV-based Radiation Detection
University of Delaware（特拉华大学）
本文讨论了使用最小传感能力的无人机在运输中检测放射性物质的问题，其目标是分类目标的放射性车辆计划通过工作空间的路径，同时跟踪目标的短时间间隔。为此，我们提出了一个运动规划框架，它集成了紧密耦合的视觉惯性定位和目标跟踪。在这个框架中，3D工作空间是已知的，并且该信息与UAV动力学一起用于构建导航功能，该导航功能生成动态可行的安全路径，该路径避开障碍物并且可证明地收敛到移动目标。通过Gazebo中的真实仿真验证了所提出方法的有效性。
2018-05-23 cs.RO
Motion Planning for a UAV with a Straight or Kinked Tether
Texas A&M University（德克萨斯农工大学）
针对绳系无人机在受限和杂乱环境中可能接触和不接触的情况，提出了两种运动规划算法，并进行了比较。系留飞行器由于其诸如动力持续时间、稳定性和安全性的优点而被研究。然而，由额外的系绳带来的缺点还没有得到很好的研究，由机器人运动社区，特别是当拴系代理是在一个非自由空间中被障碍物占据。在这项工作中，我们提出了两个运动规划框架，（1）减少可达的配置空间，考虑到系绳和（2）故意计划（和放松）的系绳与环境的接触点，并使一个等效的可达配置空间的非系绳对应。这两种方法都在物理机器人Fotokite Pro上进行了测试。通过我们的方法，系留飞行器可以在有障碍物的受限和混乱环境中找到应用，而不是理想的自由空间，同时仍然保持使用系绳的优势。该运动规划策略特别适用于有袋类异类机器人团队，如视觉伺服/协助另一个移动的，远程操作的主要机器人。
2018-11-06 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
HighlightNet: Highlighting Low-Light Potential Features for Real-Time UAV Tracking
Tongji University（同济大学）
弱光环境对无人机（UAV）跟踪提出了严峻的挑战，即使使用最先进的（SOTA）跟踪器也是如此，因为在不利的光照条件下，潜在的图像特征很难提取。此外，由于低能见度，准确的在线选择的对象也变得非常困难的人类监视器初始化无人机跟踪在地面控制站。为了解决这些问题，这项工作提出了一种新的增强剂，即，HighlightNet，为人类操作员和无人机跟踪器照亮潜在的物体。HighlightNet通过使用Transformer，可以根据全局特征调整增强参数，从而自适应光照变化。引入像素级范围遮罩，使HighlightNet更专注于跟踪对象和无光源区域的增强。此外，建立了一个软截断机制，以防止背景噪声被误认为是关键特征。对图像增强基准的评估表明，HighlightNet在促进人类感知方面具有优势。在公开的UAVDark135基准测试上的实验表明，HightlightNet比其他SOTA弱光增强器更适合无人机跟踪任务。此外，在典型无人机平台上的真实世界测试验证了HightlightNet在夜间空中跟踪相关应用中的实用性和效率。代码和演示视频可在https://github.com/vision4robotics/HighlightNet上获得。
2022-08-14 cs.CV cs.RO
Ad2Attack: Adaptive Adversarial Attack on Real-Time UAV Tracking
Tongji University（同济大学）；University of Edinburgh（爱丁堡大学）
视觉跟踪广泛应用于无人机相关应用中，这对无人机跟踪器的鲁棒性提出了很高的要求。然而，添加不可察觉的扰动很容易欺骗跟踪器并导致跟踪失败。这种风险往往被忽视，目前很少进行研究。因此，为了帮助提高对无人机跟踪的潜在风险和鲁棒性的认识，本文提出了一种新的自适应对抗攻击方法，即，Ad $^2$ Attack，对抗无人机目标跟踪.具体地说，在搜索补丁图像的重新搜索期间在线生成对抗性示例，这导致跟踪器在随后的帧中丢失目标。Ad $^2$ Attack由直接下采样模块和具有自适应阶段的超分辨率上采样模块组成。提出了一种新的优化函数来平衡攻击的不可见性和效率。在几个著名的基准测试和真实世界的条件下进行的综合实验表明，我们的攻击方法是有效的，它大大降低了最先进的暹罗跟踪器的性能。
2022-03-03 cs.CV cs.RO
ADTrack: Target-Aware Dual Filter Learning for Real-Time Anti-Dark UAV Tracking
Tongji University（同济大学）
基于先验相关滤波的无人机跟踪方法主要集中在白天跟踪。然而，当夜幕降临时，跟踪器会遇到更恶劣的场景，这很容易导致跟踪失败。在这方面，这项工作提出了一种新的跟踪器与抗暗功能（ADTrack）。所提出的方法集成了一个高效和有效的低光图像增强到基于CF的跟踪器。此外，目标感知掩模是同时产生的凭借图像照明变化。目标感知掩码可以被应用于联合训练目标聚焦滤波器，该目标聚焦滤波器帮助上下文滤波器进行鲁棒跟踪。具体来说，ADTrack采用双重回归，其中上下文过滤器和目标聚焦过滤器相互限制，以进行双重过滤器学习。在典型的黑暗场景基准上进行了详尽的实验，包括来自权威基准的37个典型的夜晚序列，即，UAVDark和我们新构建的基准UAVDark 70。结果表明，ADTrack优于其他最先进的跟踪器，在单个CPU上实现了34帧/秒的实时的【形】速度，大大扩展了对夜间场景的鲁棒无人机跟踪。
2021-06-04 cs.CV cs.RO
Tracker Meets Night: A Transformer Enhancer for UAV Tracking
Tongji University（同济大学）；JD.COM Inc.（京东集团）
以往的目标跟踪技术大多是在光照条件较好的白天场景中实现的。现有的无人机夜间跟踪技术难以发挥其优势，严重阻碍了视觉跟踪在无人机领域的应用。为了实现无人机夜间可靠跟踪，提出了一种基于空间通道变换器的微光增强器（SCT），该增强器采用任务激励的方式进行训练，并在跟踪方法之前插入。为了实现针对高层次任务的语义级弱光增强，提出了一种新的空间通道注意力模块，在保持局部上下文的同时对全局信息进行建模。在增强过程中，SCT通过一个鲁棒的非线性曲线投影同时对夜间图像进行去噪和照明。此外，为了提供全面的评估，我们构建了一个具有挑战性的夜间跟踪基准，即DarkTrack2021，其中包含110个具有挑战性的序列，总共超过100 K帧。对公共UAVDark 135基准测试和新构建的DarkTrack 2021基准测试的评估表明，与其他顶级低光增强器相比，任务启发式设计使SCT在夜间无人机跟踪方面具有显着的性能提升。在典型无人机平台上的实际测试进一步验证了该方法的实用性。DarkTrack2021基准测试和所提出的方法的代码可在https://github.com/vision4robotics/SCT上公开获得。
2023-03-20 cs.CV cs.RO
SGDViT: Saliency-Guided Dynamic Vision Transformer for UAV Tracking
Tongji University（同济大学）；the University of Hong Kong（香港大学）
基于视觉的目标跟踪已经推动了无人机（UAV）的广泛自主应用。然而，在无人机跟踪中遇到的飞行机动和视点的动态变化，如纵横比变化和尺度变化，构成了显着的困难。常规的互相关操作虽然通常使用，但在有效地捕获感知相似性方面具有限制，并且结合了无关的背景信息。为了减轻这些限制，这项工作提出了一种新的显着性引导的动态视觉Transformer（SGDViT）的无人机跟踪。该方法设计了一个新的任务特定的对象显著性挖掘网络，以改善互相关运算，并有效地区分前景和背景信息。此外，显著性自适应嵌入操作基于初始显著性动态地生成令牌，从而降低了Transformer架构的计算复杂性。最后，轻量级的显著性过滤Transformer进一步细化显著性信息，并增加对外观信息的关注。通过对三种广泛使用的无人机跟踪基准和真实场景的实验，对所提出的方法的有效性和鲁棒性进行了全面评估，结果表明了其优越性。源代码和演示视频可以在https://github.com/vision4robotics/SGDViT上找到。
2023-03-08 cs.CV cs.RO
JitTrack: Onboard Multi-Object Tracking Against Viewpoint Jitter for Agile UAVs
针对敏捷无人机机载多目标跟踪的视点抖动难题，提出JitTrack框架，结合语义细化、运动感知查询校正等技术，通过闭环流水线实现鲁棒跟踪，实验验证其有效性。
2026-08-12 cs.RO
Thermal and Visual Tracking of Photovoltaic Plants for Autonomous UAV inspection
University of Genova（热那亚大学）；JPDroni S.r.l.（JPDroni有限责任公司）
由于光伏（PV）发电厂需要定期维护，因此使用无人机（UAV）进行检查有助于降低成本。目前，光伏装置的热检测和目视检查是基于无人机摄影测量。配备全球定位系统（GPS）接收器的无人机被分配了一个飞行区：无人机将来回覆盖它，以收集图像，然后将其合成在一个正交气象仪中。UAV通常在地面以上的高度飞行，该高度适于确保即使在存在GPS定位误差的情况下图像也重叠。然而，这种方法有两个局限性。首先，它需要覆盖整个飞行区，包括光伏组件行之间的“空”区域。第二，在地面以上的高空飞行限制了以后要检查的图像的分辨率。本文提出了一种新的方法，使用一个自主的无人机配备了一个RGB和一个热摄像机的光伏组件跟踪。无人机沿着光伏组件排移动，高度低于正常高度，并通过忽略没有光伏组件的“空”区域，以迂回的方式来回检查光伏组件。在模拟和实际光伏发电厂进行的实验测试报告。
2022-10-11 cs.RO
Edge-Aware Thermal Infrared UAV Swarm Tracking
The University of Melbourne（墨尔本大学）
研究在视觉退化环境中热红外无人机群跟踪难题，提出以自适应运动卡尔曼滤波器为中心的边缘感知在线跟踪管道，结合相关技术提升轨迹连续性，通过实验联合评估性能与效率，为实时部署提供见解。
2026-07-15 cs.CV cs.RO
Memory Maps for Video Object Detection and Tracking on UAVs
University of Tuebingen（图宾根大学）
提出了一种新的无人机视频目标检测方法。通过合并元数据，所提出的方法创建了一个内存映射的对象位置在实际世界坐标，提供了一个更强大的和可解释的表示对象的位置在这两个，图像空间和现实世界。我们使用这种表示来提高置信度，从而提高了几个时间计算机视觉任务的性能，如视频目标检测，短期和长期的单个和多个目标跟踪，以及视频异常检测。这些发现证实了元数据在增强无人机在时间计算机视觉领域的能力方面的好处，并为该领域的进一步发展铺平了道路。
2023-03-06 cs.AI cs.CV cs.RO
Correlation Filters for Unmanned Aerial Vehicle-Based Aerial Tracking: A Review and Experimental Evaluation
Tongji University（同济大学）；Tsinghua University（清华大学）
航空跟踪是遥感领域最活跃的应用之一，它以其无所不在的奉献精神和卓越的性能得到了广泛的应用。特别是基于无人机（UAV）的遥感系统，采用视觉跟踪方式，已广泛应用于航空、航海、农业、交通、公安等领域。如前所述，无人机空中跟踪平台已从研究阶段逐步发展到实际应用阶段，成为未来航空遥感的主要技术之一。然而，由于现实世界的繁重情况，例如，恶劣的外部挑战、无人机机械结构的振动（尤其是在强风条件下）、复杂环境下的机动飞行以及机载计算资源的有限性，对机载跟踪方法的准确性、鲁棒性和高效性都至关重要。近年来，基于判别相关滤波器（DCF）的跟踪器以其高计算效率和在单CPU上的鲁棒性而脱颖而出，在无人机视觉跟踪领域得到了蓬勃发展。本文首先概括了基于DCF的跟踪器的基本框架，在此基础上，根据它们在解决各种问题上的创新点，对23种最新的基于DCF的跟踪器进行了分类总结。此外，详尽的和定量的实验已经扩展到各种流行的无人机跟踪基准，即，UAV 123、UAV123@10fps、UAV 20 L、UAVDT、DTB 70和VisDrone 2019-SOT，总共包含371，903帧。通过实验验证了基于DCF的机载无人机跟踪器的性能、可行性和当前面临的挑战。
2022-05-24 cs.CV cs.RO eess.IV
DarkLighter: Light Up the Darkness for UAV Tracking
Tongji University（同济大学）
近年来，基于卷积神经网络（CNN）的跟踪器以模仿生物视觉系统为目标，发展迅速，性能良好。然而，目前基于CNN的跟踪器很难很好地推广到现有训练集中通常缺乏的低光场景。在基于无人机（UAV）跟踪的应用中经常遇到的难以区分的夜间场景中，最先进的（SOTA）跟踪器的鲁棒性显著下降。为了方便空中跟踪在黑暗中通过一般的方式，这项工作提出了一个低光图像增强器，即DarkLighter，致力于减轻照明和噪声的影响迭代。一种轻量级地图估计网络，即，ME-Net被训练成有效地联合估计光照图和噪声图。在无人机黑暗跟踪场景下，使用多个SOTA跟踪器进行了实验。详尽的评估证明了DarkLighter的可靠性和通用性，具有高效率。此外，DarkLighter已在典型的无人机系统上进一步实现。在夜间场景下的实际测试验证了其实用性和可靠性。
2022-03-27 cs.CV 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
DR^2Track: Towards Real-Time Visual Tracking for UAV via Distractor Repressed Dynamic Regression
Tongji University（同济大学）；New York University（纽约大学）
视觉跟踪在无人机上有着广阔的应用前景。在文献中，先进的判别相关滤波器（DCF）类型的跟踪器通常区分前景与背景的学习回归，回归到一个固定的目标标签的隐式循环样本。然而，预定义的和不变的回归目标导致低鲁棒性和适应性不确定的空中跟踪场景。在这项工作中，我们利用局部最大值点的检测阶段产生的反应地图，自动定位当前的干扰。通过在回归学习中抑制干扰项的响应，我们可以动态地自适应地改变我们的回归目标，以利用跟踪鲁棒性和自适应性。在三个具有挑战性的无人机基准上进行的大量实验表明，我们的跟踪器具有出色的性能和非凡的速度（在廉价的CPU上约50 fps）。
2020-08-10 cs.CV cs.RO
