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
Reactive Composition of UAV Delivery Services in Urban Environments
School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）
针对城市无人机配送服务故障问题，提出带故障感知的响应式服务组合框架，配套空中道路网络、形式化模型与系统架构，设计三类缩容算法实现故障下的响应式组合，经真实数据集实验验证有效。
2024-04-29 cs.DC cs.RO
Extending the Range of Drone-based Delivery Services by Exploration
Ulsan National Institute of Science and Technology（蔚山科学技术院）
由于电池寿命有限，无人机的航程相当短。我们提出了一种自适应探索技术，通过利用城市环境中的高层建筑和树木等物理结构来扩展无人机的范围。我们的目标是通过生成无人机到达目的地的路径来扩展无人机交付服务的覆盖范围，同时了解其路径上每个边缘的能耗，以便优化其未来任务的范围。我们评估了我们的探索策略在寻找城市中所有可达目的地的集合时的性能，发现根据当前能量模型探索可达集合边界附近的位置可以加快学习过程。
2020-12-17 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
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
An Integrated Framework for Sensing Radio Frequency Spectrum Attacks on Medical Delivery Drones
Capitol Technology University（卡皮托尔科技大学）
无人机对GPS、RF、Wi-Fi和操作员信号的干扰或欺骗攻击的敏感性对未来的医疗输送系统构成了危险。能够感知对无人机攻击的检测框架可以提供主动响应的能力。干扰攻击的识别在医疗递送、灾区救援和FAA针对非法干扰活动的执法中具有适用性。文献中存在一个空白，用于单独或基于群的无人机识别无线电频谱攻击。任何非交付特定的功能，如攻击传感，增加到无人机涉及重量增加和额外的复杂性;因此，价值必须超过缺点。医疗运送、高价值货物和灾区应用可以提供克服额外成本的价值主张。本文研究了针对无人机的攻击类型，并描述了一个框架，用于设计具有主动响应能力的攻击检测系统，以提高交付和其他医疗应用的可靠性。
2020-05-04 cs.CR cs.CY cs.NI
Coordinated Multi-Drone Last-mile Delivery: Learning Strategies for Energy-aware and Timely Operations
School of Computer Science, University of Leeds, UK（计算机科学学院，利兹大学，英国）；School of Energy Systems, LUT University, Finland（能源系统学院，卢霍斯大学，芬兰）
本文研究能量感知多无人机最后一英里配送问题，通过K-means聚类、强化学习和优化计划选择，并基于多智能体深度强化学习提出新算法，实现节能与及时配送。
2025-09-19 cs.RO
Energy-Constrained Delivery of Goods with Drones Under Varying Wind Conditions
Missouri Univ. of Science and Technology（密苏里科技大学）；Sapienza Univ. of Rome（罗马大学）；Univ. of Perugia（佩鲁贾大学）
在本文中，我们通过解决我们所谓的任务可行性问题（MFP）来研究派遣无人机将货物从仓库运送到客户的可行性。由于有效载荷的限制，无人机一次只能为一个客户提供服务。为此，我们提出了一个新的框架，根据时间依赖的成本图，正确建模的MFP和解决交付动态。当无人机在递送区域中移动时，全球风可能会改变，从而影响无人机的能量消耗，这进而可能增加或减少。这个问题是通过设计三种算法来解决的，即：（i）计算一次最小能量的路线，在任务开始时，（ii）动态地重新考虑最方便的旅行到目的地，和（iii）动态地只选择最好的本地选择。我们评估我们的算法在合成和真实世界的数据的性能。无人机能耗的变化通过曲线图边缘的成本变化来反映。每次无人机飞过一个新的顶点时，算法都会收到新的成本，并且它们在权重之前没有充分的知识。我们比较了成功完成任务的百分比（无人机交付货物并返回仓库），交付（无人机交付货物但无法返回仓库）和失败（无人机既不交付货物也不返回仓库）。
2020-12-17 cs.RO
Systems-Level Planning and Coordination of Truck-Drone Collaborative Delivery Networks
School of Electrical Engineering and Computer Science at the University of Ottawa（渥太华大学电气工程与计算机科学学院）
针对城市最后一英里配送，提出分层规划与协调框架，通过任务编排与智能体同步，实现卡车-无人机协同配送，相比纯卡车模式，总配送时间减少42.4%，能耗降低44.2%。
2026-06-07 cs.NI 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
Aerodynamics and Sensing Analysis for Efficient Drone-Based Parcel Delivery
Macquarie University（麦考瑞大学）；School of Engineering（工程学院）；School of Computing（计算机学院）
本文结合CFD气流仿真与多学科设计、控制及传感方法，实验分析有效载荷尺寸和位置对最大推力2000 gf无人机稳定性的影响，证明其可平稳提起覆盖螺旋桨达50%的载荷。
2024-10-27 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
The Urban Last Mile Problem: Autonomous Drone Delivery to Your Balcony
Computer Engineering and Networks Laboratory（计算机工程与网络实验室）
本文提出了一种基于商用无人机的城市最后一公里自主送货方法，通过GPS定位和视觉导航实现对阳台或门廊等非集中地点的精准配送，并开源代码以促进未来研究。
2018-09-21 cs.RO cs.SY eess.SY
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
Failure-Sentient Composition For Swarm-Based Drone Services
The University of Sydney（悉尼大学）
本文提出一种故障感知框架，利用加权持续联邦学习预测无人机软故障并评估严重程度，结合带前瞻优化的启发式算法生成最优服务组合，从而保障蜂群配送的可靠性。
2023-05-27 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
DronePick: Object Picking and Delivery Teleoperation with the Drone Controlled by a Wearable Tactile Display
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
我们报告的遥控操作系统DronePick提供远程对象采摘和交付由人类控制的四轴飞行器。所提出的系统的主要新颖之处在于，人类用户不断地获得视觉和触觉反馈准确的遥操作。DronePick由配备磁性抓取器的四轴飞行器、带手指运动跟踪传感器的触觉手套、手部跟踪系统和虚拟现实（VR）应用程序组成。人类操作员通过改变手的位置来遥控四轴飞行器。表示远程对象相对于四轴飞行器的位置的所提出的振动触觉图案被递送到手套。它可以帮助操作员确定四轴飞行器何时位于物体正上方。当通过将手紧握在手套中发送“拾取”命令时，四轴飞行器降低其高度，并且磁性抓取器附着目标物体。整个场景在VR中并行模拟。来自四轴飞行器的气流和VR物体的相对位置帮助操作员确定要拾取的交付物体的确切位置。实验结果表明，振动触觉模式被用户以较高的识别率识别：平均识别率为99%，平均识别时间为2.36s。开发并测试了DronePick的现实实现，其特点是物体拾取和交付给人类。
2019-08-07 cs.HC cs.RO
Constraint-based Formation of Drone Swarms
The University of Sydney（悉尼大学）
无人机群需要同时交付多个包裹。我们在智能城市中展示了多站无人机群交付。我们利用编队飞行来节省能量并增加无人机群的飞行范围。提出了一种自适应编队算法，即在飞行过程中，群体根据外部约束条件进行调整，改变编队模式。我们利用城市中现有的建筑屋顶，并建立一个视线范围内的空中通道网络，以安全地运行蜂群。我们使用一个基于进化论的A* 算法来路由一个无人机群在空中网络。
2022-01-28 cs.RO
Hundred Drones Land in a Minute
目前，无人机研发在全球范围内受到了极大的关注。特别地，递送服务采用无人机，因为这是通过使用若干无人驾驶的无人机来提高递送效率的可行方法。已经进行了研究，以实现此类服务的无人机控制的完全自动化。然而，关于无人机的起飞和降落端口，常规方法都集中在单个无人机的降落操作上，而没有实现多个无人机的连续降落。为了解决这个问题，我们提出了一个全新的港口系统，“EAGLES港口”，允许几个无人机在短时间内连续降落和起飞。实验证明，该港口的着陆时间效率是传统垂直着陆系统的7.5倍。此外，该系统可以容忍270毫米的水平位置误差，+-30度的角度误差在无人机的方法（+-40度与拟议的门机制），和高达1.9米/秒的无人机的方法速度。这项技术大大有助于无人机使用的可扩展性。因此，开发一个未来无人机港口，用于自动化无人机群的降落至关重要。
2020-03-11 cs.RO
Density-Based Pruning of Drone Swarm Services
The University of Sydney（悉尼大学）
我们提出了一个新的框架，基于消费者的偏好，推荐基于群的无人机交付服务。我们提出了一种基于密度的修剪方法，该方法使用与充电站提供商合作的概念来减少基于群的无人机服务提供商的搜索空间。提出了一种加权服务组合算法，该算法在选择下一个最佳服务时考虑了服务提供者的能力和消费者的偏好。我们提出了一个基于投票的推荐算法来选择最好的供应商。我们进行了一组实验，以评估消费者满意度，运行时间和搜索空间减少成本方面的框架的效率。
2022-06-09 cs.RO
Formation-based Selection of Drone Swarm Services
The University of Sydney（悉尼大学）
越来越多的无人机被要求执行一架无人机无法完成的任务。特别是，在交付中，由于蜂群有限的飞行耐力而出现问题。因此，我们提出了一种新的编队引导框架，用于选择基于Swarm的无人机即服务（SDaaS）进行交付。进行了详细的研究，以强调蜂群形成对能量消耗的影响。两种SDaaS选择方法，即固定和自适应，设计考虑到不同的编队决策群体可以采取。建议的框架考虑了外部约束，包括风速和风向。我们为每种方法提出SDaaS选择算法。实验结果证明了算法的有效性。
2020-11-13 cs.RO
Drone Launched Short Range Rockets
University of MA Lowell（马萨诸塞大学洛厄尔分校）
提出了一种无人机发射近程火箭弹的概念。无人机或飞机将DLSRR上升到最高20 $km$的释放高度。在释放高度，无人机或飞机以高达700 $m/s$的速度和与水平方向高达68 $^o$的陡峭角度移动。在DLSRR被释放后，它们的马达开始点火。DLSRR使用缓慢燃烧的发动机来获得高度和速度。在其飞行的远地点，DLSRR释放射弹，射弹飞向目标并以高撞击速度撞击目标。射弹到达目标的射程可达442 $km$，撞击速度可达1.88 $km/s$。我们表明，在高海拔和高初速度发射的火箭不需要昂贵的热保护生存上升。用远距离固体火箭发射器向目标发射弹药的费用应该比用常规火箭发射的费用低得多。%%尽管轰炸机投放弹药的成本更低，但轰炸机需要飞近目标，而DLSRR运载火箭则需要在距离目标至少200 $km$的地方投放火箭。DLSRR的所有参数及其轨迹都是基于理论（机械和化学）分析和几个MatLab程序计算的。
2021-04-23 cs.RO
CORRIDRONE: Corridors for Drones, An Adaptive On-Demand Multi-Lane Design and Testbed
Indian Institute of Science（印度科学学院）
在这篇文章中，提出了一种新的无人机Skyway框架称为CORRIDRONE。顾名思义，这代表了多个无人机点对点安全通行的虚拟空中走廊。走廊不是永久性的，但可以根据需要设置。一些这样的场景可能是那些在仓库/工厂车间，包裹交付，岸到船交付，边境巡逻等几个因素发挥着重要作用，在规划和设计这样的空中通道。拟议的框架包括许多新的功能，这些功能有助于将无人机安全有效地集成到已有技术的空域中。建议在卡纳塔克邦印度科学研究所占地1500英亩的Challekere校园建立一个数公里长的试验台，以设计和测试CORRIDRONE所需的基础设施。
2020-12-02 cs.RO
Towards edible drones for rescue missions: design and flight of nutritional wings
Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院）；The University of Electro-Communications（电气通信大学）；Wageningen University and Research（瓦赫宁根大学及研究中心）
无人机已被证明是用于无人驾驶运输任务的有用飞行器，例如食品和医疗用品交付。可以利用这一点为处于紧急情况的人们提供救生营养和药品。但商用无人机一般只能携带自身质量的10%-30%作为有效载荷，这限制了单次飞行的送餐量。一种显著提高无人机食物携带率的新颖解决方案是用可食用材料重建无人机的一些结构，例如机翼。因此，我们提出了一种无人机，它不再仅仅是一种食物运输飞机，而且由于其可食用的翅膀，它本身也是部分可食用的，将其食物携带质量比提高到50%。此外，如果可食用无人机在紧急情况下执行任务后留在环境中，它将比不可食用的对应物更可生物降解，在环境中留下更少的废物。在这里，我们描述了可食用翅膀的材料选择和可扩展的设计，并在一个能够飞行的原型中验证了该方法，该原型可以提供300千卡的热量，并携带80克水的有效载荷。
2022-11-08 cs.RO
Immersive 3D Simulator for Drone-as-a-Service
University of Sydney（悉尼大学）
本文提出了一款面向无人机即服务的沉浸式3D模拟器，支持编辑与运行两种模式，可用于动态算法测试、能耗建模和数据收集，从而避免真实无人机部署。
2023-10-29 cs.RO
Locker-based Truck-Drone Routing with Integrated Considerations of Pickups, Deliveries, and No-Fly Zones
Faculty of Science and Technology, University of Nottingham Ningbo China（宁波诺丁汉大学理工学院）
针对储物柜式卡车-无人机配送中取货、送货及禁飞区约束，提出两阶段深度强化学习神经启发式方法，以最小化总运营成本。
2026-07-01 cs.AI cs.LG cs.RO
Two Results on LPT: A Near-Linear Time Algorithm and Parcel Delivery using Drones
Indian Institute of Science（印度科学学院）；University of Birmingham（伯明翰大学）
本文为经典LPT启发式算法提出了首个近线性时间实现，并证明LPT求解无人机仓库配送问题（DWP）的近似因子为黄金比例约1.62。
2024-09-30 cs.CG cs.DS cs.RO
The Analysis of Discrete-Event System in Autonomous Package Delivery using Legged Robot and Conveyor Belt
National University of Singapore（新加坡国立大学）
在本文中，离散事件系统（DES）的监督控制分析的状态和事件，构建一个自治的包裹递送系统。配送系统包括一个用于在不平坦的室内地形中自主行走的足式机器人和一个用于将包裹运送到足式机器人的传送带，目的是利用DES的监督控制理论对机器的状态和事件进行监督控制，保证机器人自主协作。通过应用该理论，我们展示了两个单独的机器人在多楼层环境中运送货物的协作。在仿真环境中实现和验证了从监督控制理论得到的结果。
2021-01-29 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
Including Image-based Perception in Disturbance Observer for Warehouse Drones
University at Buffalo（布法罗大学）
抓取和释放物体会导致仓库中的送货无人机产生振荡。为了减少这种不希望的振荡，本文对待被交付的对象作为一个未知的外部干扰，并提出了一个基于图像的干扰观测器（DOB）估计和拒绝这样的干扰。与现有的DOB技术只能在振荡发生后补偿扰动不同，所提出的基于图像的DOB技术将基于图像的扰动预测结合到控制回路中，以进一步提高DOB的性能。所提出的基于图像的DOB由两部分组成。第一个是基于深度学习的干扰预测。通过拍摄待递送对象的图像，使用连接的预训练卷积神经网络（CNN）和长短期记忆（LSTM）网络来预先预测顺序扰动信号。第二部分是具有前馈校正的反馈回路中的常规DOB，其利用深度学习预测来生成学习信号。数值研究进行验证所提出的基于图像的DOB关于振荡减少交付无人机在抓取和释放期间的对象。
2020-07-06 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
Collaborative Last-Mile Delivery: A Multi-Platform Vehicle Routing Problem With En-route Charging
Khalifa University（哈利法大学）
研究提出带在途充电的协作式多平台车辆路径问题（VRP-DR），利用卡车、无人机和机器人协作配送，建立MILP模型并开发FINDER启发式算法，验证了组合配送模式和多访服务能显著节省时间与成本。
2025-05-29 cs.AI cs.MA cs.RO
Autonomous Aerial Delivery Vehicles, a Survey of Techniques on how Aerial Package Delivery is Achieved
University of Bath（巴斯大学）；Ryerson University（瑞尔森大学）
本综述系统回顾了自主空中配送车辆的技术进展与开放问题，涵盖机械臂与夹爪、动力学建模与控制、动静平台降落、安全风险及无人机与卡车协同路由等关键领域。
2023-08-01 cs.RO cs.SY eess.SY
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
Internet of Drones
University of Waterloo（滑铁卢大学）
无人机互联网（IoD）是一种分层网络控制架构，主要用于协调无人机对受控空域的访问，并在称为节点的位置之间提供导航服务。IoD为各种无人机应用提供通用服务，如包裹递送、交通监控、搜索和救援等。在本文中，我们提出了一个概念模型，这样的架构可以组织，我们指定的功能，IoD系统的基础上，我们的架构应该实现。为此，我们从三个现有的大规模网络中提取关键概念，即空中交通管制网络，蜂窝网络和互联网，并探索它们与我们的无人机交通管理新架构的联系。
2016-02-02 cs.NI 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
Drone Formation for Efficient Swarm Energy Consumption
The University of Sydney（悉尼大学）
我们演示无人机集群服务的编队飞行。一组无人机以四种不同的蜂群编队飞行。收集数据集，研究编队飞行对能量消耗的影响。我们进行了一组实验来研究风对编队飞行的影响。我们研究了无人机在编队飞行时相互施加的力。最后，我们确定和分类的形成，保存最多的能量在不同的风力条件下。收集的数据集旨在为研究人员提供数据，以进一步研究基于群的无人机服务交付。演示：https://youtu.be/NnucUWhUwLs
2023-03-16 cs.RO eess.SP
Autonomous Drone Landing: Marked Landing Pads and Solidified Lava Flows
Reykjavik University（雷克雅未克大学）
着陆是多旋翼无人机飞行中最具挑战性和风险的方面，对于自主无人机来说，只有简单的着陆方法。我们探讨了两种情况下自主无人机着陆的方法。在第一种情况下，我们研究的方法着陆在已知的着陆垫使用基准标记和万向架安装的单目相机。这种方法在无人机应用中具有潜力，其中无人机必须比GPS可以提供的更准确地着陆（例如，城市峡谷中的包裹递送）。我们扩大了以前的方法，通过驱动无人机的摄像头跟踪标记随着时间的推移，我们解决的复杂性所造成的基准标记方向模糊的姿态估计。在第二种情况下，我们与RAVEN项目合作，探索在冰岛凝固的熔岩流上着陆的方法，冰岛作为火星的模拟环境，并提供了对无人机漫游者探索团队有效性的见解。我们的无人机使用深度摄像头来可视化地形，我们正在开发方法来分析地形数据，以实时的可行着陆点，最大限度地减少传感器和外部基础设施的需求，因此该解决方案不会严重影响无人机的行为，任务结构或操作环境。
2023-02-01 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
A Novel Multi-Layer Framework for BVLoS Drone Operation: A Preliminary Study
University of Perugia（佩鲁贾大学）；Jadavpur University（贾达普大学）；University of Florence（佛罗伦萨大学）
无人机在包括农业、应急响应和包裹递送在内的各种领域越来越受欢迎。然而，由于安全问题，大多数无人机操作目前仅限于视觉视线（vlos）内。无人机的超视距飞行带来了新的挑战和机遇，但也需要新的技术和监管框架，以确保无人机始终处于远程操作员的控制之下。在这个初步研究中，我们假设使用可用的地面蜂窝网络基础设施远程控制无人机。我们建议使用一种新颖的多层框架来规划bvlos无人机操作，该框架包括许多层与现实世界场景和挑战非常相似的约束。这些层包括无人机故障时的潜在地面风险、可用的地面蜂窝网络基础设施以及地面障碍物的存在等信息。从多层框架中，构建了一个图，该图的边用考虑多层框架的信息的可靠性得分进行加权。然后，bvlos无人机任务的规划相当于在所构造的图上求解最大路径依赖性问题，该问题可以通过应用Dijkstra算法来求解。
2023-01-14 cs.RO
Swarm-in-Blocks: Simplifying Drone Swarm Programming with Block-Based Language
本文介绍基于块的语言Swarm-in-Blocks及其2.0版本，使无人机集群编程无需深入掌握ROS或编程知识，从而简化集群管理并拓展编程教育机会。
2025-08-15 cs.RO
Pose2Drone: A Skeleton-Pose-based Framework for Human-Drone Interaction
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
无人机已成为一种常见的工具，用于许多任务，如航空摄影，监视和交付。然而，操作无人机需要与用户进行越来越多的互动。一种自然安全的人机交互（HDI）方法是使用手势。在本文中，我们介绍了一个HDI框架的基础上，基于codeon的姿态估计。我们的框架提供了通过简单的手臂手势控制无人机移动的功能，并在保持安全距离的同时跟随用户。我们还提出了一种单目距离估计方法，该方法完全基于图像特征，不需要任何额外的深度传感器。为了进行全面的实验和定量分析，我们创建了一个定制的测试数据集。实验结果表明，该框架对11种常见手势的识别率平均达到93.5%.该代码可从以下网址获得：https://github.com/Zrrr1997/Pose2Drone
2021-05-28 cs.CV cs.RO
Count Every Rotation and Every Rotation Counts: Exploring Drone Dynamics via Propeller Sensing
Shenzhen International Graduate School, Tsinghua University, China（清华大学深圳国际研究生院）；The University of Hong Kong（香港大学）；Meituan Academy of Robotics Shenzhen, China（美团机器人研究院（深圳））；School of Software, Tsinghua University, China（清华大学软件学院）
通过螺旋桨旋转速度感知提升无人机传感性能，提出基于事件相机的解决方案，实现高精度飞行指令推断和跟踪精度提升。
2025-11-25 cs.RO
Integrated Design and Control of a Robotic Arm on a Quadcopter for Enhanced Package Delivery
University of California, Irvine（加州大学欧文分校）；California State University, Long Beach（加州州立大学长滩分校）
本文研究四旋翼无人机集成机械臂的包裹递送系统，基于SolidWorks和MATLAB Simscape完成设计与仿真，对比PID与MRAC控制器，证明PID轨迹跟踪更优且RMS误差更低，MRAC则更具动态适应性。
2024-10-20 cs.RO cs.SY eess.SY
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
PB-STDG: A Prediction-Based Short-Term Decentralized Greedy Guidance Algorithm for a Drone Road System
University of Canterbury（坎特伯雷大学）
本文提出PB-STDG算法，通过预测邻居决策改进STDG，在保持安全的同时提升城市无人机道路系统的交通效率。
2026-10-06 cs.NI cs.RO
Research on environment perception and behavior prediction of intelligent UAV based on semantic communication
本文提出基于语义通信的智能无人机环境感知与行为预测方法，通过强化学习提升无人机适应能力，设计轻量级区块链认证方案，实验表明无人机适应性能提升35%，本地卸载率可达90%。
2026-03-26 cs.AI 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
A Comparative Study on Energy Consumption Models for Drones
Dublin City University（都柏林城市大学）；Technical University of Berlin（柏林工业大学）；Einstein Center Digital Future（爱因斯坦数字未来中心）
建立合适的能耗预测模型正成为无人机相关研究的重要课题。然而，目前尚未就能源消耗模式达成普遍共识。因此，有许多变体试图创建复杂程度不同的模型，重点关注不同的方面。在本文中，我们对五种最流行的无人机能耗模型进行了基准测试，这些模型来自于它们的物理行为，并指出了在不同测试条件下与从飞行中的送货无人机收集的现实能源数据集相匹配的困难。此外，我们提出了一种新的数据驱动的能量模型，使用基于长短期记忆（LSTM）的深度学习架构，并基于数据集比较准确性。我们的实验结果表明，基于LSTM的方法可以很容易地优于所研究数据集的其他数学模型。最后，进行了敏感性分析，以解释该模型。
2022-05-30 cs.LG cs.RO
Visual Marker Search for Autonomous Drone Landing in Diverse Urban Environments
School of Computing, Macquarie University（计算学院，麦考瑞大学）
本文提出基于模拟的评估套件，研究异质城市环境中自主无人机着陆的视觉标记搜索问题，通过对比启发式策略与强化学习方法，探讨复杂场景对着陆性能的影响。
2026-01-16 cs.AI cs.RO
Resilient Composition of Drone Services for Delivery
我们提出了一种新的弹性无人机服务组合框架，用于在动态天气条件下交付。我们使用天际线的方法来选择一组最佳的候选无人机服务在源节点的Skyway网络。无人机服务最初组成使用一种新的约束感知确定性前瞻算法，使用多臂强盗树探索。我们提出了一个基于弹性的服务组合方法，适应运行时的变化，并定期更新组合，以满足交付的期望。实验结果证明了该方法的有效性。
2020-09-21 cs.DC cs.NI
A Game-Theoretic Drone-as-a-Service Composition for Delivery
我们提出了一种新的博弈论方法无人机服务组合考虑充电限制。我们设计了一个无人机服务的非合作博弈模型。我们提出了一个非合作博弈算法的最佳无人机服务的选择和组成。我们在一个真实的无人机数据集上进行了几个实验，以证明我们所提出的方法的效率。
2020-08-07 cs.DC cs.NI
Service-based Trajectory Planning in Multi-Drone Skyway Networks
The University of Sydney（悉尼大学）
我们提出了一个示范的服务为基础的轨迹规划的无人机交付系统中的多无人机的天空网络。我们使用Crazyflie无人机进行了几次实验，以收集无人机的位置数据，风速和风向，以及风对电压消耗率的影响。这些实验是在多无人机空中通道网络中针对不同数量的充电站、风速和风向进行的。演示：https://youtu.be/zEwqdtEmmiw
2023-03-21 cs.DC cs.RO
