Acoustic Drone Package Delivery Detection
Department of Electrical Engineering and Computer Engineering, Université de Sherbrooke（电气工程与计算机工程系， Sherbrooke 大学）
本研究提出基于声学信号的无人机包裹投递检测算法，通过分析叶片通过频率识别投递事件，实现100米范围内的高精度检测。
2026-02-10 cs.RO
Autonomous Drone Delivery to Your Door and Yard
Purdue University（普渡大学）
在这项工作中，我们提出了一个系统，使交付无人机能够根据收件人的愿望在房屋周围的各个位置自主导航和交付包裹，而不需要目前使用的任何外部标记。这一发展的动力来自于深度学习的最新进展，这些进展可能会取代目前由交付无人机用于识别交付包裹的地点的专用标记。所提出的系统更自然，因为它接受关于在哪里交付包裹的指令作为输入，类似于提供给人类快递员的指令。首先，我们提出了一种基于语义图像分割的下降位置估计器，使无人机能够在房子周围找到一个安全的地方，在那里它可以从更高的高度下降。在此之后，我们提出了一种策略，用于将无人机从下降位置视觉路由到它要交付包裹的特定站点，例如前门。我们在模拟环境中广泛评估了这种方法，并证明了使用我们的系统，送货无人机可以将包裹送到前门以及房屋周围的其他指定位置。相对于基于前沿探索的策略，使用该系统的无人机发现并到达20个测试房屋的前门的速度快了161%。
2022-05-10 cs.RO
In-flight positional and energy use data set of a DJI Matrice 100 quadcopter for small package delivery
Carnegie Mellon University（卡内基梅隆大学）；University of Pennsylvania（宾夕法尼亚大学）；Baden-Wuerttemberg Cooperative State University (DHBW)（巴登-符腾堡合作州立大学（DHBW））
我们自主引导一个小型四轴飞行器包裹递送无人机（UAV）或“无人机”起飞，飞行指定的路线，并在改变一组操作参数的同时降落，总共飞行209次。该车辆配备了车载传感器，包括GPS，IMU，电压和电流传感器以及超声波风速计，以收集有关惯性状态，风速和功耗的高分辨率数据。操作参数，如指令的地面速度，有效载荷和巡航高度，是不同的每次飞行。这一大型数据集的总飞行时间为10小时45分钟，于2019年4月至10月收集，覆盖总距离约65公里。通过比较具有类似操作参数的飞行，验证了收集的数据。我们相信这些数据将引起研究和工业界的极大兴趣，他们可以利用这些数据来改进无人机设计、安全性和能效，并推进对包裹递送无人机飞行操作的物理理解。
2021-03-24 cs.RO stat.AP
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
Efficient Large-Scale Multi-Drone Delivery Using Transit Networks
Stanford University（斯坦福大学）
我们考虑控制大型无人机机群在广阔的城市地区同时交付包裹的问题。为了节省能源，无人机在公共交通工具之间跳跃（例如，公共汽车和电车）。我们设计了一个全面的算法框架，力求最大限度地减少完成任何交付的最长时间。我们通过两个层次的方法来解决这个问题的多方面复杂性。首先，上层分配无人机包裹交付序列与近最优的多项式时间任务分配算法。然后，低层执行分配定期路由车队的运输网络，同时采用高效的有界次优多智能体寻路技术，适合我们的设置。实验证明了我们的方法的效率设置高达$200$无人机，$5000$包，和运输网络高达$8000$停止在旧金山和华盛顿特区。我们的研究结果表明，该框架计算解决方案通常在几秒钟内的商品硬件，无人机旅行到$360 \%$的飞行范围与公共交通。
2021-01-05 cs.AI cs.MA 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
Autonomous Aerial Manipulation via Contextual Contrastive Meta Reinforcement Learning
National Key Laboratory of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）；Faculty of Robot Science and Engineering, Northeastern University（东北大学机器人科学与工程学院）；National Key Lab of Autonomous Intelligent Unmanned Systems, Beijing Institute of Technology（北京理工大学自主智能无人系统国家重点实验室）
提出Aco2方法，通过上下文对比元强化学习，使四旋翼无人机在无需人工干预下自主完成不同载荷的抓取、运输和投递，并直接迁移到真实世界。
2026-06-07 cs.LG cs.RO
Mixed Criticality Communication within an Unmanned Delivery Rotorcraft
Institute of Embedded Systems（嵌入式系统研究所）；Zurich University of Applied Sciences（苏黎世应用科学大学）
无人机飞行控制器之外的独立功能，例如安全相关的飞行路径监测或有效载荷监测和控制，可能是SORA要求的或建议用于递送无人机的特定飞行路径。这些功能作为分立的电子元件连接在主机身的内部或外部，可以与其他机载电子系统联网。这样的集成需要在功能和电源方面尊重网络上每个组件的完整性水平。在这方面的工作，我们详细介绍了一个组件内通信系统的小型自主和半自主无人机（无人机）。我们讨论的背景和（保守的）设计决策之前，详细介绍了硬件和软件接口和报告的第一次实施。最后，我们得出结论，并提出未来的工作。
2022-09-10 cs.NI cs.RO cs.SY
NTU VIRAL: A Visual-Inertial-Ranging-Lidar Dataset, From an Aerial Vehicle Viewpoint
Nanyang Technological University（南洋理工大学）
近年来，自主机器人在研究和日常生活中无处不在。在众多因素中，公共数据集在该领域的进步中发挥着重要作用，因为它们免除了硬件和人力的初始投资。然而，对于自主航空系统的研究，似乎相对缺乏与自动驾驶和地面机器人相同的公共数据集。因此，为了填补这一空白，我们在配备了广泛而独特的传感器组的空中平台上进行了数据汇集练习：两个3D激光雷达，两个硬件同步的全球快门相机，多个惯性测量单元（IMU），特别是多个超宽带（UWB）测距单元。综合传感器套件类似于自动驾驶汽车，但具有独特而具有挑战性的空中操作特征。我们在几个具有挑战性的室内和室外条件下记录多个数据集。每个软件包中还包括来自高精度激光跟踪仪的校准结果和地面实况。所有资源都可以通过我们的网页https://ntu-aris.github.io/ntu_viral_dataset访问。
2022-02-01 cs.RO cs.SY eess.SY
Service-Based Drone Delivery
The University of Sydney（悉尼大学）
随着无人机技术的快速发展，加上客户的更高期望和竞争加剧，服务交付将经历重大的范式转变。我们提出了一种新的面向服务的方法，使无处不在的包裹交付无人机运营的空中网络。我们讨论了基于服务的无人机交付的好处，框架和架构，当代方法，开放的挑战和未来有远见的方向。
2022-01-02 cs.RO
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
Optimizing Drone Delivery in Smart Cities
The University of Sydney（悉尼大学）
本研究针对智慧城市空中通道网络的包裹配送优化问题，提出上下文感知无人机配送框架，将路径寻优转化为服务组合问题，设计基于视线启发式的组合算法，经真实数据集实验验证了方法鲁棒性。
2023-04-28 cs.DC cs.RO
Real-time data muling using a team of heterogeneous unmanned aerial vehicles
University of the Western Cape（西开普大学）；Cartage University（迦太基大学）
在数据传输中使用无人机（UAV）吸引了大量的关注和应用，作为一种现代交通工程技术，用于数据感测、传输和交付到基础设施可用于其解释的地方。由于无人机的限制，如有限的电源寿命，它已经有必要帮助他们与地面传感器收集本地数据，必须转移到无人机访问传感器。这样的地面传感器通信的管理与飞行的无人机团队一起构成了一个有趣的数据muling问题，仍然值得解决和调查。本文重新审视了物联网（IoT）环境中的流量工程问题，以评估使用无人机从位于环境中的传感器节点持续收集传感器读数并将其传递到进行进一步处理的基站的相关性。我们提出了一个持久的路径规划和无人机分配模型，其中来自不同基站的异构无人机团队用于从地面传感器收集数据，并将收集到的信息传递到最近的基站。这个问题在数学上被形式化为一个实时的【形】有约束的优化模型，并被证明是NP难的。本文提出了一种启发式的解决方案，并评估其相对效率，通过人工和真实的传感器网络进行实验，使用各种情况下的无人机设置。
2019-12-18 cs.RO
Modeling and Simulation of the Quadrtor Delivery System
Mansoura University（曼苏拉大学）；Faculty of Computers and Information, Mansoura University（曼苏拉大学计算机与信息学院）
四旋翼无人机（Unmanned Aerial Vehicle，简称UAV）是一种四旋翼无人机。四旋翼控制是一项困难的任务，因为四轮系统效率低下。本文的目的是提供规格并实现一个单独的四元系统，该系统集成了来自相机和IMU（惯性测量单元）的数据，以实现高分辨率的光学传输。本文提出了一种分离式四元系统。系统规格已指定。系统应用部分介绍了系统的SolidWorks设计，对装卸货（PDP）问题的数学建模。利用MATLB进行模型实现和同时定位与地图绘制（SLAM）的仿真结果，并采用扩展卡尔曼滤波（EKF-SLAM）算法使系统具有独立性。最后介绍了使用该算法进行糖果边缘检测的实验结果。
2019-07-08 cs.RO
Autonomous Advanced Aerial Mobility -- An End-to-end Autonomy Framework for UAVs and Beyond
Microsoft Business AI + Research（微软商业人工智能与研究部门）
本文提出面向UAV与eVTOL的端到端自主框架，涵盖传感、感知、规划、控制，并讨论机队管理、测试认证及单体模型的潜力与局限。
2023-12-03 cs.LG cs.MA cs.RO
Tilt-X: Enabling Compliant Aerial Manipulation through a Tiltable-Extensible Continuum Manipulator
Queensland University of Technology（昆士兰理工大学）
Tilt-X通过可倾斜扩展连续体操纵器实现更灵活的空中操控，解决了现有技术在多方向部署和抗螺旋桨下涡方面的局限。
2026-02-27 cs.RO
Flying Robots for Safe and Efficient Parcel Delivery Within the COVID-19 Pandemic
TU Dortmund University（多特蒙德工业大学）；Communication Networks Institute（通信网络研究所）
将小型无人机（UAV）集成到智能交通系统（ITS）中将为新型智慧城市应用和服务提供支持。新型冠状病毒疫情爆发后，公众对送货服务的需求倍增。移动机器人系统固有地提供了最小化与包裹递送过程的直接人与人之间的交互量的潜力。拟议的系统包括各种复杂的方面，如分配和分配交付工作，建立和维护车辆之间的可靠通信链路，以及路径规划和移动控制。在本文中，我们应用系统级的角度来识别关键的挑战和有前途的解决方案的建模，分析和优化无人机辅助包裹递送的方法。我们提出了一个无人机辅助包裹递送的系统模型，以应对COVID-19引起的更高容量需求。为了证明混合车辆交付的好处，我们提出了一个案例研究，重点是时间紧迫的交付，如医疗用品的优先顺序。结果进一步证实，传统送货车队的能力可以通过无人机的使用来升级。此外，我们观察到，通过优先考虑时间紧迫的交付而导致的延迟可以通过无人机部署来补偿。最后，集中式和分散式通信方法的混合交付车队内的数据传输进行了比较。
2021-01-19 cs.NI cs.RO
Autonomous Unmanned Aerial Vehicle Navigation using Reinforcement Learning: A Systematic Review
Western University（韦仕敦大学）
在不同的应用中，例如包裹递送、交通监控、搜索和救援行动以及军事战斗中，对使用无人驾驶飞行器（UAV）（被称为无人机）的需求越来越大。在所有这些应用中，无人机都用于自主导航环境-无需人工干预，执行特定任务并避开障碍物。无人机自主导航通常使用强化学习（RL）来实现，其中代理作为某个领域的专家来导航环境，同时避开障碍物。了解导航环境和算法的局限性在选择合适的RL算法有效地解决导航问题中起着至关重要的作用。因此，本研究首先确定了主要的无人机导航任务，并讨论了导航框架和仿真软件。然后，根据无人机导航问题的环境、算法特点、能力和应用，对强化学习算法进行了分类和讨论，为实践者和研究者选择适合无人机导航应用的强化学习算法提供参考。此外，已确定的差距和机会将推动无人机导航研究。
2022-08-25 cs.AI cs.RO
A Modular Pneumatic Soft Gripper Design for Aerial Grasping and Landing
The Hong Kong Polytechnic University（香港理工大学）；Hong Kong Center for Construction Robotics（香港建造机器人中心）；Research Centre of Unmanned Autonomous Systems（无人自主系统研究中心）；Department of Aeronautical and Aviation Engineering（航空及民航工程系）；Department of Mechanical Engineering（机械工程系）
本文提出一种用于空中抓取与着陆的模块化气动软体夹爪设计，结合前馈比例控制器与可重构软指，兼作软着陆起落架，有效减轻重量并实现217 g最大载荷。
2024-03-25 cs.RO
Bayesian Optimization for Fast Radio Mapping and Localization with an Autonomous Aerial Drone
School of Electrical；Computer Engineering, University of Georgia, Athens, GA, USA
本文提出一种利用高斯过程进行无线电信号估计并结合贝叶斯优化进行无人机自主导航引导的算法，通过仿真与飞行实验验证其在窄带频谱共享下构建无线电地图与定位的有效性。
2024-07-27 cs.NI cs.RO
Robust Energy-Aware Routing for Air-Ground Cooperative Multi-UAV Delivery in Wind-Uncertain Environments
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
本文提出BER框架，通过动态能耗图和风险感知路由提升无人机在风扰环境中的配送可靠性。
2026-04-15 cs.RO
In-Flight Energy-Driven Composition of Drone Swarm Services
University of Sydney（悉尼大学）
我们提出了一个新的框架，用于基于群的无人机交付服务，并在飞行中进行能量充电。该框架旨在通过减少中途站的停靠次数和充电时间来缩短多个包裹的交付时间。拟议的框架考虑了各种内在和外在的交付限制。我们建议使用支援无人机，其唯一目的是在飞行期间为蜂群中的其他无人机充电。在这方面，我们计算最优支持无人机的最优集合，以最小化下一站的交付服务和充电时间的概率。为了比较的目的，我们也使用两种设置来定位飞行编队中的支援无人机。提出了两种新的能量共享方法，即基于优先级的方法和基于公平性的方法。提出了一种无人机的重新排序方法，以促进飞行中的能量合成过程。实现了一种改进的A* 算法来组合最优服务的交付时间。实验结果证明了该方法的有效性。
2022-10-28 cs.RO
HexaGripper: A Single-Actuator, Winch-Deployed Gripper for Autonomous Aerial Parcel Collection
University of Moratuwa（莫拉图瓦大学）；The University of Adelaide（阿德莱德大学）；University of Southern Queensland（南昆士兰大学）
本文提出HexaGripper，一种单执行器、绞盘部署的六板抓取器，用于自主空中收集长方体包裹，通过视觉对准和状态控制实现无着陆操作，实验验证了其高成功率与可行性。
2026-10-07 cs.RO
Hallucination-Aware Generative Pretrained Transformer for Cooperative Aerial Mobility Control
Korea University（高丽大学）；Ajou University（明知大学）
本文提出SafeGPT双层框架，集成GPT与RL实现高效可靠的无人机最后一公里配送，通过RL安全过滤器缓解幻觉、双回放缓冲优化策略，相比仅GPT基线提升配送成功率并降低能耗。
2025-04-15 cs.AI cs.RO
Unmanned Aerial Vehicles: A Survey on Civil Applications and Key Research Challenges
New Jersey Institute of Technology（新泽西理工学院）；Universiti Tenaga Nasional（国家能源大学）；Western Michigan University（西密歇根大学）；Tafila Technical University（塔菲拉技术大学）；University of Idaho（爱达荷大学）
无人机（UAV）的使用在许多民用应用领域中迅速增长，包括实时监控、提供无线覆盖、遥感、搜索和救援、货物交付、安全和监视、精准农业和民用基础设施检查。智能无人机是无人机技术的下一次重大革命，有望在不同的应用中提供新的机会，特别是在民用基础设施方面，降低风险和成本。民用基础设施预计将主导超过450亿美元的无人机使用市场价值。在这次调查中，我们介绍了无人机的民用应用及其挑战。我们还讨论了当前的研究趋势，并为潜在的无人机用途提供了未来的见解。此外，我们提出了无人机民用应用的关键挑战，包括：充电挑战，碰撞避免和群集挑战，以及网络和安全相关的挑战。根据我们对最近文献的回顾，我们讨论了开放式研究的挑战，并就如何应对这些挑战提出了高层次的见解。
2018-04-19 cs.RO
Job Selection in a Network of Autonomous UAVs for Delivery of Goods
Cardiff University（卡迪夫大学）；Aneurin Bevan University Health Board（安奈林·贝文大学健康委员会）；Lakeside Labs GmbH（湖畔实验室有限公司）
本文分析了两类控制自动飞行器网络如何将货物从仓库运送到客户的作业选择策略。客户请求（作业）根据系统未知的时空随机过程发生。如果作业选择使用首先服务于第一作业（FJ）的策略，则系统可能由于仅移除一辆车辆而崩溃到不稳定。服务于最近作业（NJ）的策略首先仅在某些设置中显示这种阈值行为，并且可以以分布式方式实现。工作选择的时机对NJ的交付时间和稳定性有显著影响，而对FJ没有影响。基于这些发现，我们引入了一种方法论的决策支持，建立和运行这样一个系统，考虑到货币成本和服务质量之间的权衡。特别是，我们计算了实现某个预期交付时间所需的基础设施支出的下限。该方法包括三个时间范围：关于在服务区部署的仓库数量的长期决定，关于使用的车辆数量的中期决定，以及关于车辆运营政策的短期决定。
2017-05-26 cs.MA cs.RO
U-Joint CAAMS: Experimental Evaluation of a Universal-Joint Continuum Manipulator for Aerial Manipulation
Queensland University of Technology (QUT)（昆士兰科技大学）；QUT Centre for Robotics（昆士兰科技大学机器人中心）
研究多旋翼无人机上连续体操纵器在操控时的问题，提出基于万向节的连续体操纵器设计，经实验评估其抗面外变形能力，还进行稳定性分析及应用演示。
2026-07-07 cs.RO
ROS georegistration: Aerial Multi-spectral Image Simulator for the Robot Operating System
Air Force Research Laboratory（美国空军研究实验室）
本文介绍了一个名为ROS地理配准的软件包，该软件包旨在与Robot操作系统（ROS）和Gazebo 3D仿真环境一起使用。ROSgeoregistration提供了用于模拟、测试和部署航空地理配准算法的工具，并通过本文提供的链接提供。提供了一个模型创建软件包，该软件包从谷歌地球引擎数据库下载多光谱图像，并在必要时将这些图像合并为一个可能非常大的参考图像。此外，提供了一个Gazebo插件，该插件使用实时传感器姿态和图像形成模型来使用指定的参考图像生成模拟图像，以及用于UAV相关数据的相关插件。这项工作的新颖性有三个方面：（1）这是第一个将Google Earth Engine的大规模多光谱成像数据库链接到Gazebo模拟器的系统，（2）这是第一个可以从同一地形区域的多个传感器视图模拟地理空间和辐射精确图像的系统示例，与其他UAS工具的集成创建了一个新的整体UAS仿真环境，以支持UAS系统和子系统的开发，其中真实世界的测试通常是禁止的。将感测到的图像和地面实况配准信息发布到客户端应用程序，客户端应用程序可以与来自其他有效载荷传感器的遥测同步地接收图像，IMU、GPS/GNSS、气压计和风速传感器数据。为了突出功能，我们演示了用于模拟电光（EO）和合成孔径雷达（SAR）图像传感器的ROSgeoregistration，以及用于开发和评估基于图像的UAS位置反馈的示例用例，即，用于基于图像…
2022-01-19 cs.CV cs.RO
FlyPose: Towards Robust Human Pose Estimation From Aerial Views
Universität der Bundeswehr Munich（联邦国防军大学慕尼黑）
FlyPose通过多数据集训练实现了在航空图像中更准确的人体姿态估计，并在多个测试集上提升了检测和姿态估计的性能，同时具备低延迟和实时部署能力。
2026-01-20 cs.CV cs.RO
Temporal Waypoint Navigation of Multi-UAV Payload System using Barrier Functions
Robert Bosch Center for Cyber-Physical Systems（罗伯特·博世信息物理系统研究中心）；Department of Aerospace Engineering（航空航天工程系）；Indian Institute of Science（印度科学学院）
航空包裹运输通常需要满足复杂的空间和时间规格，以确保从一个点到另一个点的安全和及时交付。使用多个无人机运输多用途有效载荷通常是有效的，这些无人机可以协同工作以实现所需的任务。将信号时序逻辑（STL）应用于动态系统，可以连贯地处理复杂的时序规范。本文采用高阶时变控制障碍函数（HOCBF）解决了多无人机有效载荷系统在时间规范下的路点导航问题。利用输入输出反馈线性化方法，将相对阶为2的复杂非线性系统转化为简单线性系统。基于优化的控制律，然后推导出实现时间航路点导航的有效载荷。控制器的有效性和实时可实现性证明了通过模拟一个高保真露台模拟环境内的包裹递送方案。
2022-11-25 cs.RO
TriDeliver: Cooperative Air-Ground Instant Delivery with UAVs, Couriers, and Crowdsourced Ground Vehicles
Hong Kong JC STEM Lab of Smart City and Department of Computer Science, City University of Hong Kong（香港JC STEM实验室（智慧城市）及城市大学计算机科学系）；State Key Laboratory of Complex & Critical Software Environment, and College of Computer Science and Technology, National University of Defense Technology（复杂与关键软件环境国家重点实验室及国防科技大学计算机科学与技术学院）；School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院）；National Key Laboratory of Big Data and Decision, National University of Defense Technology（大数据与决策国家重点实验室，国防科技大学）；School of Data Science, Lingnan University（岭南大学数据科学学院）；School of Accounting and Finance, Hong Kong Polytechnic University（香港理工大学会计与金融学院）
TriDeliver通过整合快递员、无人机和众包地面车辆，利用迁移学习算法提取配送知识，降低配送成本和时间，提升效率。
2026-10-08 cs.HC cs.RO
Optimizing Delivery Logistics: Enhancing Speed and Safety with Drone Technology
Department of Computer Engineering（计算机工程系）；L.R. Tiwari College of Engineering（L.R.蒂瓦里工程学院）
本文提出集成AI的无人机配送系统，结合YOLOv4 Tiny、GPS与通信模块优化路线、检测、跟踪及安全交付，并通过初步仿真验证其时效与身份认证优势。
2025-07-23 cs.RO
Energy-Predictive Planning for Optimizing Drone Service Delivery
School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）；Queensland University of Technology（昆士兰理工大学）
提出EPDS框架，结合Bi-LSTM预测与启发式优化，为无人机网络规划高效路径和充电计划，实现节能省时的包裹交付。
2025-08-03 cs.DC cs.ET cs.RO
A Survey of Medical Drones from Flight Dynamics, Guidance, Navigation, and Control Perspectives
Department of Mechanical Engineering, Texas Tech University（机械工程系，得克萨斯理工大学）
本文从飞行动力学、导航与控制角度综述医疗无人机，探讨任务需求、载具设计、GNC算法及优化方向。
2026-01-05 cs.RO
SPAR: Scalable LLM-based PDDL Domain Generation for Aerial Robotics
GRASP Lab, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）；Department of Computer Science, University of Southern California（南加州大学计算机科学系）
本文提出SPAR框架，利用LLMs从自然语言自动生成有效多样的PDDL领域，并构建UAV规划数据集与评估流程，显著加速空中机器人复杂规划领域的创建。
2025-09-17 cs.RO
anafi_ros: from Off-the-Shelf Drones to Research Platforms
Nanyang Technological University（南洋理工大学）
现成的无人机操作简单，易于维护空中系统。然而，由于专有的飞行软件，这些无人机通常不提供任何开源接口，使它们能够在研究或教学中自主飞行。这项工作介绍了一个用于ROS1和ROS2的软件包，用于与Parrot ANAFI家族的现成无人机进行直接接口。开发的ROS包与硬件无关，允许无缝连接到所有四种支持的无人机模型。该框架可以轻松连接到同一地面站的单个无人机或一组无人机。开发的软件包在无人机能力的极限下进行了密集测试，并进行了精心记录，以方便全球其他研究小组使用。
2023-03-03 cs.RO
The Role of Compute in Autonomous Aerial Vehicles
University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of California Berkeley（加州大学伯克利分校）；Harvard University（哈佛大学）；Delft University of Technology（代尔夫特理工大学）；Google Brain（谷歌大脑）
自主移动的网络物理机器是我们未来的一部分。具体来说，无人驾驶飞行器在包裹递送等用例中的活动有所复苏。这些系统面临着许多挑战，如有限的机载能量导致的低续航力，因此，提高任务时间和能量是重要的。传统上，这种改进是通过更好的算法实现的。但我们的前提是，更强大、更高效的机载计算也应该解决这个问题。本文研究如何计算子系统，在一个信息物理移动机器，如微型飞行器，影响任务时间和能源。具体来说，我们提出的问题是什么样的计算网络物理移动机器人的作用？我们表明，计算和运动是紧密交织在一起的，因此有必要仔细检查网络和物理过程及其相互影响。我们展示了计算影响任务指标的不同影响路径，并使用分析模型，模拟和端到端基准测试对其进行检查。为了实现类似的研究，我们开源了MAVBench，我们的工具集包括一个闭环模拟器和一个基准测试套件。我们的调查表明，网络物理协同设计，一种方法，其中机器人的网络和物理过程/数量的开发与另一个考虑，类似于硬件-软件协同设计，是必要的最佳机器人设计。
2019-06-24 cs.RO
AeroThrow: An Autonomous Aerial Throwing System for Precise Payload Delivery
School of Intelligent Systems Engineering, Sun Yat-sen University（智能系统工程学院，中山大学）
本文提出AeroThrow自主空中抛投系统，通过空中机械臂引入额外自由度并结合分层扰动补偿的NMPC框架，主动补偿跟踪误差、降低释放时刻敏感度，实现空投任务中更高的灵活性与精确性。
2025-07-18 cs.RO
Ready, Bid, Go! On-Demand Delivery Using Fleets of Drones with Unknown, Heterogeneous Energy Storage Constraints
The University of Sheffield（谢菲尔德大学）；Inria（法国国家信息与自动化研究所）；Ingeniarius, Ltd.（Ingeniarius有限公司）；Technical University of Darmstadt（达姆施塔特工业大学）
本文研究异构未知储能约束下无人机机群按需配送问题，提出结合拍卖任务分配与在线学习的去中心化策略，发现将订单分配给置信度最低的竞标者可提升配送效率，并进一步提出基于学习预测的未来订单承诺变体。
2025-04-11 cs.AI cs.LG cs.MA
Three Dimensional Route Planning for Multiple Unmanned Aerial Vehicles using Salp Swarm Algorithm
ABV - Indian Institute of Information Technology and Management Gwalior（阿塔尔·比哈里·瓦杰帕伊印度信息技术与管理学院瓜廖尔分校）
针对多无人机三维避障路径规划这一NP难问题，本文采用SSA并与多种算法比较，证明其在平均代价和总时间上分别提升1.25%和6.035%。
2023-07-16 cs.MA cs.NE cs.RO
Aerial Picking and Delivery of Magnetic Objects with MAVs
ETH Zurich（苏黎世联邦理工学院）
使用MAV进行货物的自主递送是一个难题，因为它对MAV的控制、感知和操纵能力提出了很高的要求。这个问题是特别具有挑战性的，如果确切的形状，位置和配置的对象是未知的。在本文中，我们报告了我们在开发和评估一个完全集成的系统过程中的发现，该系统具有节能性，能够使MAVs拾取和运送具有不同形状和重量的部分铁质表面的物体。这是通过使用一个新的组合的电永磁夹具与被动顺应性结构和集成检测，控制和伺服定位算法。测试了该系统抓取静止和移动物体的能力，以及处理不同形状物体和外部干扰的能力。我们表明，这样的系统可以成功地部署在场景中，部分含铁部件的对象需要被抓住并放置在预定的位置。
2016-12-08 cs.RO
Safe Sampling-Based Air-Ground Rendezvous Algorithm for Complex Urban Environments
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
近年来，对城市环境中快速经济的包裹递送的需求大幅上升。一个框架设想通过利用共乘车辆网络在城市环境中进行有效的最后一英里交付，其中无人机系统（UAS）将包裹放在所述车辆上，然后在最终空中交付之前覆盖大部分距离。值得注意的是，我们考虑的问题规划的无人机到达人类驾驶员，谁可以选择N个可能的路径和不确定的行为，同时满足严格的安全约束的会合路径。长规划时间和安全约束需要强大的算法，该算法使用高斯过程回归、基于采样的优化和模型预测控制将学习和最优控制相结合。由此产生的算法是计算效率和被证明是有效的，在各种定性的情况下。
2021-03-12 cs.RO cs.SY eess.SY
Feasibility Study of LIMMS, A Multi-Agent Modular Robotic Delivery System with Various Locomotion and Manipulation Modes
University of California, Los Angeles（加州大学洛杉矶分校）
将包裹从存储设施运输到消费者前门的物流通常采用高度专业化的机器人，通常将子任务分解到不同的系统，例如，机械臂进行分类，轮式车辆进行运送。最近的努力试图有一个统一的方法与腿和人形机器人。然而，这些解决方案占用大量空间，因此减少了可以装入递送车辆中的包裹的数量。因此，这些庞大的机器人系统往往降低了可扩展性和任务并行化的潜力。在本文中，我们介绍了LIMMS（闭锁智能模块化移动系统），以解决典型的最后一英里交付的操纵和交付部分，同时保持最小的空间足迹。LIMMS是一个对称设计的，6自由度（DoF）的附属机器人与车轮和闩锁机构在两端。通过锁定在一个表面上并在一端锚定，LIMMS可以作为传统的6自由度机械臂。另一方面，多个LIMMS可以锁定在一个盒子上，表现得像一个腿式机器人系统，其中包裹是身体。在运输过程中，LIMMS折叠起来，与传统的机器人系统相比，占用的空间要小得多。大型LIMMS单元可以安装在一辆运输车内，为以前从未做过的新的运输优化和混合规划方法打开了潜力。在本文中，LIMMS的可行性进行了研究，并提出了一个硬件原型，以及在一个典型的最后一英里交付的一系列子任务的仿真结果。
2022-08-24 cs.RO
LogisticsVLN: Vision-Language Navigation For Low-Altitude Terminal Delivery Based on Agentic UAVs
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统国家重点实验室）；Department of Engineering Science, Faculty of Innovation Engineering, Macau University of Science and Technology（澳门科技大学创新工程学院工程科学系）；China Ship Research and Development Academy（中国船舶科研 Academy）；Obuda University（奥布达大学）；State Key Laboratory for Management and Control of Complex Systems, Chinese Academy of Sciences（中国科学院复杂系统管理与控制国家重点实验室）
针对无人机终端配送中现有VLN任务过于粗粒度的问题，本文提出基于多模态大语言模型的LogisticsVLN系统，并在CARLA中构建VLD数据集验证其可行性。
2025-05-06 cs.RO
Modeling and Control of an Omnidirectional Micro Aerial Vehicle Equipped with a Soft Robotic Arm
Swiss Federal Institute of Technology in Zürich (ETH Zürich)（苏黎世联邦理工学院）
飞行机械手是一种带有刚性机械臂的无人机，属于机器人技术中最新和最活跃的研究领域。这些臂的刚性性质通常在运动中缺乏顺应性、柔性和平滑性。这项工作提出使用一个软体机器人手臂连接到全向微型飞行器（OMAV），以利用手臂的顺应性和灵活性，同时保持可折叠和动态感谢全向无人机作为浮动基地。手臂与无人机的统一对这种组合平台的建模和控制提出了挑战;这些挑战通过这项工作得到了解决。我们提出了一个统一的模型，飞行机械手的基础上三个建模原则：分段常曲率（PCC）和增广刚体模型（ARBM）的假设建模软连续体机器人和浮动基地的方法借用传统的刚体机器人文学。为了证明这种参数化的有效性和实用性，实现了基于模型的分层反馈控制器。控制器进行了验证和评估，在模拟各种动态任务，零空间运动，干扰恢复和轨迹跟踪能力的平台进行检查和验证。柔性飞行机械手平台可以在空中施工、货物运输、人工辅助、维护和仓库自动化等方面开辟新的应用领域。
2021-11-04 cs.RO cs.SY eess.SY
Mechanical Design, Modelling and Control of a Novel Aerial Manipulator
National Technical University of Athens（雅典国家技术大学）
本文提出了一种新型空中机械臂系统，通过技术优化问题确定机械结构、推力器数量及几何布局，设计了自适应反步控制器以实现末端执行器在笛卡尔空间中的精确位置和姿态控制，并通过仿真验证了系统性能。
2015-02-26 cs.RO cs.SY eess.SY
Relay-Based Coordination for Energy-Efficient Multi-Robot Pickup and Delivery
Temple University（Temple大学）
本文提出VCST-RCP框架，通过中继网络减少冗余长距离运动，提升多机器人配送效率，实验表明相比传统方法节省31%的行驶距离，提升50%的配送效率。
2026-08-18 cs.MA cs.RO
Trajectory Optimization for UAV-Based Medical Delivery with Temporal Logic Constraints and Convex Feasible Set Collision Avoidance
State Key Laboratory of Multimodal Artificial Intelligence Systems（多模态人工智能系统国家重点实验室）；Vanke School of Public Health（万科公共卫生学院）；School of Automation（自动化学院）
本文研究无人机在城市环境中执行时间敏感医疗配送的轨迹优化问题，通过信号时间逻辑编码任务目标并利用凸可行集方法实现安全避障。
2025-08-26 cs.RO cs.SY eess.SY
Facial Features Integration in Last Mile Delivery Robots
Johannes Kepler University Linz（约翰内斯开普勒大学林茨分校）；Department Intelligent Transport Systems（智能交通系统系）
本研究针对末端配送机器人缺乏人机交互设计的问题，探究为机器人融入面部表情等拟人化特征对人类反应的影响，发现二者存在相关性，为提升配送机器人的技术接受度提供了参考。
2024-04-15 cs.RO
Time-Optimal Handover Trajectory Planning for Aerial Manipulators based on Discrete Mechanics and Complementarity Constraints
University of Stuttgart（斯图加特大学）
规划空中机器人的时间最优轨迹在许多无人机应用中至关重要，例如救援任务和包裹递送，近年来已被广泛研究。然而，它仍然涉及到一些挑战，特别是在将特殊任务要求纳入规划以及空中机器人的动力学时。在这项工作中，我们研究的情况下，空中机械手应移交一个包裹从移动的移动机器人在时间最优的方式。而不是手动设置的方法轨迹，这使得它很难确定最佳的总旅行时间，以完成动态限制内所需的任务，我们提出了一个优化框架，它结合了离散力学和互补约束（DMCC）在一起。在所提出的框架中，系统动力学约束与离散变分拉格朗日力学，提供可靠的估计结果，也根据我们的实验。切换机会是基于期望的互补性约束自动确定和布置的。最后，通过数值仿真和硬件实验验证了所提出框架的性能。
2022-09-01 cs.RO
Aerial Grasping with Soft Aerial Vehicle Using Disturbance Observer-Based Model Predictive Control
The Hong Kong Polytechnic University（香港理工大学）
本研究提出将扰动观测器引入非线性模型预测控制（NMPC）的软飞行器（SAV）控制器，以补偿额外载荷和环境扰动带来的不确定性，实现精确的三轴空中抓取，载荷重量比超越以往研究。
2024-09-21 cs.RO
Versatile Multilinked Aerial Robot with Tilting Propellers: Design, Modeling, Control and State Estimation for Autonomous Flight and Manipulation
The University of Tokyo（东京大学）
多连杆空中机器人是空中机器人领域的一个前沿课题，它具有良好的变形能力，对操纵和操纵都有好处。然而，由于可控性的弱点和自主飞行状态估计的缺乏，在户外物理世界的性能尚未得到评估。因此，我们采用倾斜螺旋桨，以提高可控性。本论文针对此一问题，提出了相关的设计、建模与控制方法，以实现稳定的悬停与变形。此外，状态估计，其中涉及传感器之间的时间同步和多链接运动学也提出了这项工作，使完全自主飞行在室外环境中。各种自主室外实验，包括快速机动拦截目标，物体抓取交付，和毯子操作消防进行评估的可行性和通用性的建议机器人平台。据我们所知，这是第一个研究的多连杆空中机器人实现完全自主飞行和操作任务在室外环境。我们亦在2020年穆罕默德·本·扎耶德国际机器人竞赛的所有挑战中应用我们的平台，并在国际上获得挑战一第三名和挑战三第六名，展示了可靠的实地飞行性能。
2020-08-12 cs.RO
RotorTM: A Flexible Simulator for Aerial Transportation and Manipulation
New York University（纽约大学）
本文提出首个整合不同负载与被动连接机制及完整动力学的空中运输与操作仿真器RotorTM，包含缆索悬挂负载混合动力学新模型，实验验证了其高保真度与实用价值。
2024-01-09 cs.RO
Model Predictive Control for Micro Aerial Vehicles: A Survey
Norwegian University of Science and Technology (NTNU)（挪威科技大学（NTNU））；Voliro AG（Voliro公司）；ETH Zurich（苏黎世联邦理工学院）
本文介绍了微型飞行器的模型预测控制策略的设计和应用，特别是多旋翼构型，如四旋翼。基于在线性或非线性动力学上优化的控制律、状态和输入约束的集成、可能的容错设计、是否已利用强化学习方法以及控制器是否涉及自由飞行或其他任务（如物理交互或负载传输），组织该领域中的各种工作。一组选定的比较结果，并提供洞察力的线性和非线性方案之间的选择，调整的预测范围，基于干扰消除器的无偏置跟踪的重要性和这种方法的内在鲁棒性参数的不确定性。此外，现代深度强化学习技术和模型预测控制的多旋翼飞行器的组合应用的最新研究趋势的概述。最后，这篇评论的结论与明确的讨论有关选定的开源软件包，提供现成的模型预测控制功能，适用于各种各样的微型飞行器配置。
2020-11-22 cs.RO
