Motion Planning for Heterogeneous Unmanned Systems under Partial Observation from UAV
College of Biosystems Engineering and Food Science, Zhejiang University(浙江大学生物系统工程与食品科学学院);Department of Ocean Science and Engineering, Southern University of Science and Technology(南方科技大学海洋科学与工程系);The State Key Laboratory of Turbulence and Complex Systems, Intelligent Biomimetic Design Lab, College of Engineering, Peking University(北京大学工学院湍流与复杂系统国家重点实验室智能仿生设计实验室);National Engineering Research Center for Software Engineering, Peking University(北京大学软件工程国家工程研究中心);Peng Cheng Laboratory(鹏城实验室)
对于由无人机(UAV)和地面无人车(UGV)组成的异构无人系统,由于其广阔的视野范围,利用UAV作为眼睛辅助UGV进行运动规划是一个很有前途的研究方向。然而,由于无人机飞行高度的限制,可能无法观测到全局地图,局部地图上的运动规划属于POMDP(Partially Observable Markov Decision Process)问题。提出了一种异构无人机系统在无人机部分观测下无需重构全局地图的运动规划算法,该算法由感知和决策两部分组成。在感知部分,我们提出了栅格地图生成网络(GMGN),用于从无人机的角度感知场景,并对路径和障碍物进行分类。对于决策部分,我们提出了运动命令生成网络(MCGN)。由于加入了记忆机制,MCGN在无人机部分观测下具有规划与推理能力。我们评估我们提出的算法与基线算法进行比较。结果表明,该方法有效地规划了异构无人系统的运动,并取得了较高的成功率。
2020-07-28 cs.RO
Online Informative Path Planning for Active Classification on UAVs
ETH Zürich, Autonomous Systems Lab(苏黎世联邦理工学院)
针对精准农业中的杂草检测问题,提出了一种基于无人机的主动分类信息路径规划算法。我们使用占用网格对农田中杂草的存在进行建模,并根据信息理论目标生成计划,使无人机能够有效地收集数据。我们使用全局视点选择和进化优化的组合来细化无人机在连续空间中的轨迹,同时满足动态约束。我们验证我们的方法在模拟与标准的“割草机”的覆盖范围进行比较,并研究不同的目标和优化策略的影响。我们计划在不久的将来在一个真实的平台上评估我们的算法。
2016-07-13 cs.RO
Direct NMPC for Post-Stall Motion Planning with Fixed-Wing UAVs
固定翼无人机(UAV)在速度、续航力和效率方面比旋翼无人机具有显著的性能优势。然而,这些车辆传统上在机动性方面受到严重限制。在本文中,我们提出了一种非线性控制方法,使特技飞行的固定翼无人机在受限空间机动。我们的方法利用全状态直接轨迹优化和一个最小的,但代表性的,非线性飞机模型,以5 Hz的实时规划侵略性的固定翼轨迹在大迎角。随机运动规划用于避免局部最小值,局部线性反馈用于补偿更新之间的模型不准确性。我们证明了我们的方法在硬件和局部线性反馈和重新规划是必要的成功导航的复杂环境中存在的模型的不确定性。
2020-01-30 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
Evaluating UAV Path Planning Algorithms for Realistic Maritime Search and Rescue Missions
Faculty of Computer Science, University of Tuebingen(蒂宾根大学计算机科学学院)
针对现有无人机海上搜救路径规划方法未充分考虑目标位置与海洋动力不确定性的问题,本文构建评估框架对比多种规划策略,并提出兼顾精度与实用性的新型规划器。
2024-10-08 cs.RO
Online Informative Path Planning for Active Classification Using UAVs
ETH Zürich(苏黎世联邦理工学院)
在本文中,我们介绍了一个信息化的路径规划(IPP)框架,使用无人机(UAV)的主动分类。我们的算法使用全局视点选择和进化优化的组合,以改善规划的轨迹在连续的三维空间,同时满足动态约束。我们的方法进行了评估的应用杂草检测精准农业。我们使用占用网格对农田中杂草的存在进行建模,并根据信息理论目标生成自适应计划,使无人机能够有效地收集数据。我们通过与现有方法的比较来验证我们的方法,并研究不同规划策略的效果。我们的研究结果表明,该算法建立的地图与传统的“割草机”覆盖率相比,在相同的时间内,熵降低了50%以上。我们展示了规划方案的多旋翼平台与不同的人工农田设置。
2016-09-27 cs.RO
Multi-UAV Coverage Path Planning for the Inspection of Large and Complex Structures
A*STAR Institute of Information Research (IR)(新加坡科技研究局信息研究所);A*STAR Institute of High Performance Computing (IHPC)(新加坡科技研究局高性能计算研究所);A*STAR Initiative for Artificial Intelligence and Analytics (AI)(新加坡科技研究局人工智能与分析计划);Department of Mechanical Engineering, Carnegie Mellon University(卡内基梅隆大学机械工程系)
我们提出了一个多无人机覆盖路径规划(CPP)框架的大规模,复杂的3D结构的检查。在所提出的基于采样的覆盖路径规划方法中,我们将多无人机检测应用归结为多智能体覆盖路径规划问题。将集合覆盖问题(SCP)和车辆路径问题(VRP)这两个NP难问题相结合,提出了一种集合覆盖车辆路径问题(SC-VRP),并采用改进的有偏随机密钥遗传算法(BRKGA)进行求解。我们测试我们提出的方法,几个复杂的3D结构与3D模型从OpenStreetMap中提取。所提出的方法优于以前的方法,通过减少高达48%的计划检查路径的长度
2020-07-26 cs.RO
Obstacle-aware Adaptive Informative Path Planning for UAV-based Target Search
Autonomous Systems Lab. (ASL), ETH Zürich(苏黎世联邦理工学院自主系统实验室);TU Delft(代尔夫特理工大学)
利用无人机(UAV)进行目标搜索是与许多场景相关的问题,例如,搜索和救援(SaR)。然而,一个关键的挑战是规划路径的最大搜索效率给定的飞行时间限制。为了解决这一问题,我们提出了障碍感知自适应信息路径规划(OA-IPP)算法,在杂乱的环境中使用无人机的目标搜索。我们的方法利用分层规划策略,使用高斯过程(GP)为基础的目标占用模型,在连续的3D空间中生成信息路径。在这个框架内,我们引入了一个自适应的重新规划方案,使我们能够权衡信息增益,现场覆盖,传感器性能和碰撞避免有效的目标检测。大量的模拟表明,我们的OA-IPP方法比国家的最先进的规划者表现更好,我们展示了它的应用在一个现实的城市SaR的情况。
2019-02-26 cs.RO
Communication and Energy-Aware Multi-UAV Coverage Path Planning for Networked Operations
Department of Electrical Engineering, Indian Institute of Technology Kanpur(电子工程系,印度理工学院坎浦尔)
针对需持续通信的多无人机覆盖任务,提出通信与能量感知的mCPP方法,通过优化能量与连通半径组合生成路径,仿真与三机实验验证有效,通信范围匹配度达99%。
2025-04-21 cs.RO
Flow-Based Path Planning for Multiple Homogenous UAVs for Outdoor Formation-Flying
Chief Research Officer(首席研究员)
本文提出基于流网络的多无人机无碰撞路径规划方法,通过模拟和实验验证了其在户外编队飞行中的有效性。
2025-11-24 cs.RO
Dynamic Motion Planning for Aerial Surveillance on a Fixed-Wing UAV
Delhi Technological University(德里理工大学)
提出了一种有效的无人机路径规划算法。特别强调的是最大限度地扩大调查面积,同时坚持无人机的约束和部分已知和更新的环境。在概率路线图构建阶段引入了Voronoi偏差,以识别搜索空间的最大监视的某些关键里程碑。一个运动学上可行的,但粗糙的旅游连接这些里程碑是由全球路径规划器。然后,本地路径规划器基于无人机作为Dubins车辆并考虑任何即将发生的障碍物来生成全局路径的连续节点之间的平滑运动基元。利用马尔可夫决策过程(Markov Decision Process,MDP)对无人机的控制策略进行建模,确定无人机在最小偏离当前路径的情况下规避附近障碍物的最优行动,并在动态和静态障碍物的仿真环境中对所提算法的有效性进行了评估。
2017-05-22 cs.RO
UAV Path Planning for Object Observation with Quality Constraints: A Dynamic Programming Approach
Southeast University(东南大学);Academy of Military Science(军事科学院);Consulting Center for Strategic Assessment(战略评估咨询中心)
本文提出一种动态规划算法,在满足观测质量约束下为无人机规划最短路径以观测多个目标物体,实现$(1+ε)$-近似比,并在Airsim仿真中验证了有效性。
2024-11-11 cs.RO
Assisted Path Planning for a UGV-UAV Team Through a Stochastic Network
Texas A&M University(德克萨斯A&M大学);Air Force Research Laboratory(空军研究实验室);Infoscitex Corporation(Infoscitex公司)
针对随机网络中的UGV-UAV团队,提出D*KSPP与基于RPP的启发式PAA算法,实现UAV辅助UGV实时避障并最小化到达时间。
2023-12-28 cs.RO
Resilient Path Planning of UAVs against Covert Attacks on UWB Sensors
在这封信中,提出了一种弹性路径规划方案,以导航无人机的计划(名义上)的目的地与最小的能量消耗的智能攻击者的存在。无人机配备了两个传感器,一个是GPS传感器,容易受到欺骗攻击者的攻击,另一个是功能良好的超宽带(UWB)传感器,可能会被愚弄。我们表明,一个隐蔽的攻击者可以显着偏离无人机的路径,同时破坏GPS信号和伪造的控制输入,而不会被UWB传感器检测到。首先讨论了攻击发生的前提条件。在此前提下,提出了最优攻击方案,使名义目标与实际目标之间的偏差最大化。相应地,基于Pontryagin最大值原理\cite{gelfand2000calculus}提出了一种能量有效的弹性导航方案,有效地抑制了上述隐蔽攻击.综上所述,这个问题可以看作是一个安全路径规划者(防御者)和隐蔽攻击者之间的Stackelberg博弈\cite{bacsar1998dynamic}。通过两个仿真算例和一个无人机试验验证了理论结果的有效性和实用性。
2021-02-28 cs.RO
Path and trajectory planning of a tethered UAV-UGV marsupial robotic system
本文提出首个针对非拉紧系绳的有袋类UGV-UAV系统的同步无碰撞轨迹规划方法,结合RRT*路径规划与非线性最小二乘优化,经仿真和现场测试验证了可行性。
2023-05-11 cs.RO
Informative Path Planning and Mapping with Multiple UAVs in Wind Fields
KAIST(韩国科学技术院)
信息路径规划(IPP)用于为机器人传感器平台设计路径,以在一组约束条件(例如车辆的动态可行性)下操作时提取有关感兴趣数量的最佳/最大可能信息。IPP的关键挑战是多层决策的强耦合:选择要访问的位置,将传感器平台分配到这些位置;以及处理沿路径收集的信息。本文提出了一个系统的程序IPP和环境测绘使用多个无人机传感器平台。它(a)选择最佳观测位置,(b)计算成本并为每个UAV找到最佳路径,以及(c)使用高斯过程(GP)回归框架估计给定区域内的测量值。射频强度场映射的一个说明性的例子来证明所提出的方法的有效性和适用性。
2016-10-05 cs.RO
Energy-Efficiency Path Planning for Quadrotor UAV Under Wind Conditions
Centre de Développement des Technologies Avancées(先进技术开发中心);Ecole Supérieure des Techniques Aéronautiques et de Construction Automobile(航空技术与汽车制造高等学院)
四旋翼无人驾驶飞行器具有有限数量的嵌入式能量。为了保障无人机任务的成功,必须对任务期间的能量消耗进行管理。在这项研究中,我们介绍了一种优化算法,以最大限度地减少在四旋翼飞行任务在大风条件下消耗的能量。利用效率函数对飞行器旋翼消耗的机械能进行了计算。然后,我们制定的能量最小化问题作为一个最优控制问题。最后一个问题的解决,以计算最小能量的四旋翼简单任务在风的条件下。在仿真实验中,我们比较了所提出的方法与自适应控制方法。
2020-04-01 cs.RO
Path and trajectory planning of a tethered UAV-UGV marsupial robotic system
Universidad de Antofagasta(安托法加斯塔大学);Universidad de Sevilla(塞维利亚大学);Universidad Pablo de Olavide(巴勃罗·德·奥拉维德大学)
本文提出首个解决非紧绷系绳有袋UAV-UGV系统轨迹规划的方法,基于RRT*路径规划与非线性最小二乘轨迹优化,生成同步无碰撞且平滑可行的轨迹。
2023-07-20 cs.RO
An exact coverage path planning algorithm for UAV-based search and rescue operations
针对有风环境下多无人机搜救区域覆盖问题,提出基于网格MIP建模的精确算法及下界,可获得最优或恒定绝对差距的近优路径,且计算成本远低于直接MIP。
2024-05-18 cs.RO
MMH-Planner: Multi-Mode Hybrid Trajectory Planning Method for UAV Efficient Flight Based on Real-Time Spatial Awareness
School of Surveying and Mapping, Information Engineering University(测绘学院,信息工程大学);School of Geodesy and Geomatics, Hubei Luojia Laboratory(地质测绘学院,湖北珞珈实验室)
MMH-Planner通过多模式混合轨迹规划方法,结合实时空间感知提升无人机飞行效率,优化规划效率与计算成本。
2026-03-03 cs.RO
UAV Path Planning using Global and Local Map Information with Deep Reinforcement Learning
Technical University of Munich(慕尼黑工业大学);EURECOM(欧洲通信学院)
自主无人机(UAV)的路径规划方法通常是针对一种特定类型的任务而设计的。提出了一种基于深度强化学习(DRL)的无人机自主路径规划方法,该方法可应用于多种任务场景。具体来说,我们比较了覆盖路径规划(CPP),其中无人机的目标是调查数据收集(DH)的感兴趣区域,其中无人机从分布式物联网(IoT)传感器设备收集数据。通过利用环境的结构化地图信息,我们训练具有相同架构的双深度Q网络(DDQN)在两个明显不同的任务场景中做出运动决策,平衡各自的任务目标与导航约束。通过引入一种新的方法,利用一个压缩的全球地图的环境相结合的裁剪,但未压缩的本地地图显示附近的无人机代理,我们证明了所提出的方法可以有效地扩展到大型环境。我们还扩展了以前的结果,推广控制策略,不需要再培训时,场景参数的变化,并提供了一个详细的分析关键的地图处理参数的路径规划性能的影响。
2021-10-21 cs.LG cs.RO
Maximizing UAV Cellular Connectivity with Reinforcement Learning for BVLoS Path Planning
Sunway University(双威大学);Universiti Kebangsaan Malaysia(马来西亚国立大学)
提出基于强化学习的超视距蜂窝连接无人机路径规划方法,以最小化飞行距离并最大化蜂窝链路质量,仿真验证了其有效性,可作为离线模块集成于地面控制系统。
2025-10-10 cs.LG cs.RO
Anti-Jamming Path Planning Using GCN for Multi-UAV
The CCS Graduate School of Mobility, Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST)CCS 未来移动研究生院)
本文针对干扰源位置未知场景,提出基于GCN预测干扰区域并结合多智能体控制算法实现多无人机分散避扰与目标集结的抗干扰路径规划方法。
2024-03-13 cs.AI cs.RO
Enhanced Teaching-Learning-based Optimization for 3D Path Planning of Multicopter UAVs
Naval Academy(海军学院);University of Technology Sydney (UTS)(悉尼科技大学)
提出了一种基于教与学优化技术的无人机路径规划算法。我们首先定义一个目标函数,将路径长度的要求和约束的运动和无人机的安全操作转换为一个优化问题的路径规划。然后,提出了多学科TLBO优化算法,以最小化制定的目标函数。该算法在TLBO的基础上进行改进,增加了变异、精英选择和多学科训练等新操作,提高了解的质量和收敛速度。与最先进的算法和实验与真实的无人机进行了比较,以评估所提出的算法的性能。仿真结果验证了该方法在复杂环境下为无人机生成最优、无碰撞、可飞路径的有效性。
2022-05-31 cs.AI cs.RO
Perception-and-Energy-aware Motion Planning for UAV using Learning-based Model under Heteroscedastic Uncertainty
Keio University(庆应义塾大学)
针对GNSS拒止环境,本文提出联合优化无人机能耗与LiDAR感知质量的运动规划器,并用学习模型刻画随水平速度变化的能耗和异方差不确定性,仿真验证其可平衡能效与定位精度。
2023-09-25 cs.AI cs.RO
Improving Usability, Efficiency, and Safety of UAV Path Planning through a Virtual Reality Interface
随着无人机的能力和复杂性不断增加,人机界面社区有责任设计更好的方法来指定指示它们所需的复杂3D飞行路径。诸如由虚拟现实(VR)提供的沉浸式界面具有若干独特的特性,这些特性可以提高用户感知和指定3D信息的能力。这些特征包括引起物理空间感的立体深度线索以及六个自由度(DoF)自然头部姿势和手势交互。这项工作介绍了一个开源的平台,用于VR中的3D空中路径规划,并将其与现有的无人机驾驶界面进行了比较。我们的研究发现,与手动控制界面相比,安全性和主观可用性在统计学上有显著改善,而与2D触摸屏界面相比,效率在统计学上有显著改善。结果表明,沉浸式界面提供了一个可行的替代触摸屏界面的无人机路径规划。
2019-04-18 cs.HC cs.RO
A Wind-Aware Path Planning Method for UAV-Asisted Bridge Inspection
针对无人机桥梁检测未考虑风场条件的问题,提出基于模拟退火算法的风场感知路径规划方法,构建精确数学模型并优化参数,相比传统算法成本降低30.05%,在易风环境中更具实用性。
2024-03-22 cs.RO cs.SY eess.SY
3D Trajectory Planning for UAV-based Search Missions: An Integrated Assessment and Search Planning Approach
KIOS Research and Innovation Centre of Excellence(KIOS卓越研究与创新中心);University of Cyprus(塞浦路斯大学)
在自然和人为灾害期间,在具有挑战性和复杂的环境中有效规划和执行搜索任务的能力至关重要。在许多紧急情况下,障碍物之间的精确导航和围绕3D结构的高效搜索对于寻找幸存者至关重要。在这项工作中,我们提出了一个综合的评估和搜索规划方法,它允许一个自主的无人机(无人机)代理计划和执行无碰撞搜索轨迹在3D环境中。更具体地说,拟议的搜索规划框架旨在整合和自动化前两个阶段(即,评估阶段和搜索阶段)。在第一阶段,称为评估规划,我们的目标是找到一个高层次的评估计划,无人机代理可以执行,以访问一组兴趣点。该阶段生成的计划引导UAV飞越感兴趣的物体,从而提供对当前情况的第一次评估。在第二阶段,称为搜索规划,UAV轨迹被进一步微调以允许UAV在3D中搜索(即,在所有面)幸存者感兴趣的对象。所提出的方法的性能证明通过广泛的仿真分析。
2023-02-24 cs.RO cs.SY eess.SY
UAV survey coverage path planning of complex regions containing exclusion zones
Military Institute of Science and Technology(军事科学技术学院)
本文提出一种无人机复杂凹多边形区域覆盖路径规划方法,通过多边形分解、深度优先搜索合并及直骨架偏移技术,实现含排除区域的连续安全路径规划。
2024-11-13 cs.CG cs.RO
Dynamic UGV-UAV Cooperative Path Planning in Uncertain Environments
Department of Computer Science, University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校计算机科学系)
本文提出动态UGV-UAV协同路径规划方法,通过无人机动态检测道路以提高地面车辆路径安全性与效率,实验表明双向策略在多数情况下表现最佳,多无人机可减少地面车辆行驶时间但增加计算时间。
2026-04-28 cs.AI cs.RO
Adaptive Path Planning for UAVs for Multi-Resolution Semantic Segmentation
University of Bonn(波恩大学)
高效的数据汇集方法在帮助我们更好地了解地球及其生态系统方面发挥着重要作用。在许多应用中,用于监测和遥感的无人机(UAV)的使用由于其高机动性、低成本和灵活部署而迅速获得动力。一个关键的挑战是规划飞行任务,以最大限度地提高在飞行时间有限的大环境中获得的数据的价值。例如,这与监测农田有关。研究了无人机使用过程中精确语义分割的自适应路径规划问题。我们提出了一个在线规划算法,适应无人机的路径,以获得高分辨率的语义分割必要的地区与细节,因为他们在传入的图像中检测。这使我们能够仅在需要时在低海拔进行近距离检查,而不会在最大图像分辨率的详尽映射上浪费能量。我们方法的一个关键特征是基于深度学习的架构的新精度模型,该模型捕捉了无人机高度和语义分割精度之间的关系。我们使用真实世界的数据在不同领域评估我们的方法,证明我们的解决方案的有效性和可生成性。
2022-03-03 cs.CV cs.RO
An Informative Path Planning Framework for Active Learning in UAV-based Semantic Mapping
University of Oxford(牛津大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所)
提出一种面向无人机语义建图的主动学习信息路径规划框架,融合多种采集函数到概率地图中,指导无人机自主获取信息丰富的图像以再训练模型,实验表明能最大化模型性能并大幅减少标注工作量。
2023-09-06 cs.LG cs.RO
Online path planning for kinematic-constrained UAVs in a dynamic environment based on a Differential Evolution algorithm
Universidade Federal de Minas Gerais, UFMG(巴西米纳斯吉拉斯联邦大学)
本文提出了一种基于微分进化算法的动态环境中无人机路径规划方法,通过NURBS路径表示和速度障碍方法概念,解决运动约束和动态障碍物问题。
2024-10-24 cs.NE cs.RO
Self-Supervised Path Planning in UAV-aided Wireless Networks based on Active Inference
University of Genoa(热那亚大学);Italian National Inter-University Consortium for Telecommunications (CNIT)(意大利国家大学间电信联盟(CNIT))
本文提出一种用于UAV辅助网络的自监督路径规划方法,通过离线优化解作为示范学习世界模型并隐式发现优化器策略,结合主动推理实现实时自主决策与在线规划,相比传统RL具有更快的适应速度、更优性能及更广泛化能力。
2024-03-06 cs.LG cs.RO eess.SP
Robust UAV Path Planning with Obstacle Avoidance for Emergency Rescue
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Southeast University(东南大学);China University of Mining and Technology(中国矿业大学)
针对复杂三维环境下无人机避障路径规划的安全需求,本文构建含障碍物与禁飞区的三维场景,提出融合模拟退火的改进人工势场算法APF-SA,可跳出局部最优实现全局最优的鲁棒路径规划,仿真验证了其有效性。
2025-01-16 cs.RO cs.SY eess.SY
Connectivity-Aware UAV Path Planning with Aerial Coverage Maps
Department of ECE, Hong Kong University of Science and Technology, Hong Kong(香港科技大学电子工程系);Department of EIE, The Hong Kong Polytechnic University, Hong Kong(香港理工大学电子工程系)
本文提出了一种利用UAV可控移动来克服地面用户优化的蜂窝网络在空中覆盖不连续问题的连接意识UAV路径规划方法,通过引入两个新指标量化UAV路径的蜂窝连接质量,并利用空中覆盖图提供准确的散射覆盖孔位置,将UAV路径规划问题转化为在连接约束下寻找最短路径的问题。
2019-06-01 cs.NI cs.RO cs.SY
Towards Fully Environment-Aware UAVs: Real-Time Path Planning with Online 3D Wind Field Prediction in Complex Terrain
今天,低空固定翼无人机(UAV)在很大程度上限于自动遵循用户定义的航路点。为了在复杂环境中实现完全自主的远程任务,需要针对地形和强风气流的实时的环境感知导航。本文提出了两个相关的初步贡献:第一,文献的第一个三维风场预报方法,可以运行在实时的机载无人机。该方法检索低分辨率的全球天气数据,并使用势流理论来调整风场,以便观察地形边界,质量守恒和大气层结。与一维激光雷达数据的比较表明,相对于目前主要用于无人机路径规划的零风假设,总体风误差减少了23%。然而,由于垂直风没有足够准确地解决,需要进一步的研究和确定。其次,提出了一种基于采样的路径规划器,该规划器通过Dubins飞机路径迭代地考虑非均匀风中的飞机动力学。性能优化,例如障碍感知采样和快速2.5D地图碰撞检查,使规划器比开放式运动规划库(OMPL)实现快50%。阿尔卑斯山地形的测试案例表明,风感知规划的迭代次数比最短路径规划少50倍,因此在低风速下速度较慢,但在强风下往往会提供成本较低的路径。更重要的是,与最短路径规划器相比,它总是提供无冲突的路径。总体而言,我们的初步研究表明,从无人机三维风场预测的可行性和风感知规划的优势。这为无人机在现实任务和复杂地形中的全自主环境感知导航的后续研究铺平了道路。
2017-12-10 cs.AI cs.RO
Angle-Encoded Swarm Optimization for UAV Formation Path Planning
University of Technology Sydney(悉尼科技大学)
提出了一种新的可行的路径规划技术,用于一组无人机(UAV)进行表面检测的基础设施。最终目标是最小化无人机的飞行距离,同时避免障碍物,并保持高度限制以及无人机编队的形状。提出了一种多目标优化算法--角度编码粒子群优化算法(theta-PSO),利用角速度和角位置信息对粒子进行定位,以加快粒子群的收敛速度。整个编队被建模为一个虚拟的刚体,并控制保持所需的几何形状之间的路径创建,而组的质心遵循预定的轨迹。基于配备专有任务规划器的3DR Solo无人机的测试平台,以及用于无人机之间多方向传输和接收数据的物联网(IoT),已经进行了广泛的实验,以沿着单轨桥梁进行三角编队维护。实验结果验证了该方法的可行性和有效性。
2018-12-19 cs.NI cs.RO
A Physics-Informed Neural Network Approach for UAV Path Planning in Dynamic Environments
针对动态环境下无人机路径规划问题,提出PINN框架,将动力学等约束嵌入学习,仿真显示其在多指标上优于A*等传统方法,可统一模型与数据驱动规划。
2026-08-21 cs.AI cs.RO
UAV Trajectory Planning with Path Processing
New Technologies for the Information Society Research Center(信息技术新技术研究中心);Faculty of Applied Sciences(应用科学学院);University of West Bohemia(西波希米亚大学)
该研究针对无人机轨迹规划的最优控制问题,提出结合Lazy Theta*路径、约束与无人机模型生成初始猜测的方法,经伪谱配点法验证,合适初始猜测可优化规划轨迹,为后续研究提供方向。
2024-07-01 cs.RO cs.SY eess.SY
Deep UAV Path Planning with Assured Connectivity in Dense Urban Setting
Sungkyunkwan University(成均馆大学);Seoul Theological University(首尔神学大学)
针对无人机服务规模化中手动飞行配置和预设路径连通性难维持的问题,提出深度强化学习框架DUPAC,可兼顾距离与信号质量规划路径,在模拟城市场景中路径仅增2%却提升9%连接质量。
2024-06-21 cs.AI cs.RO eess.SP
A Quantum Tunneling and Bio-Phototactic Driven Enhanced Dwarf Mongoose Optimizer for UAV Trajectory Planning and Engineering Problem
College of Artificial Intelligence, Nankai University(南开大学人工智能学院)
针对元启发式算法在复杂场景中早熟收敛、解多样性不足的问题,提出集成量子隧穿、生物趋光性和正交透镜反向学习策略的EDMO算法,提升无人机轨迹规划等任务的优化性能与适用性。
2025-11-12 cs.RO math.OC
Trajectory Prediction & Path Planning for an Object Intercepting UAV with a Mounted Depth Camera
National University of Singapore(新加坡国立大学)
介绍了一种基于ROS C++的无人机目标拦截控制软件体系结构。现有的轨迹预测工作主要集中在使用像运动捕捉室这样的非车载工具来拦截投掷的物体。本研究设计的无人机架构是完全在板上能够与深度相机和点云处理的使用对象拦截。该架构使用迭代轨迹预测算法,用于乒乓球等非推进物体。在Gazebo中讨论、评估和仿真了各种目标拦截的路径规划方法及其相应的场景。成功的模拟验证了使用所提出的架构的无人机拦截对象的机载自主性的潜力。
2021-11-17 cs.RO cs.SY eess.SY
Multi-UAV trajectory planning for 3D visual inspection of complex structures
University of Rijeka(里耶卡大学);University of Southern Denmark(南丹麦大学)
自主无人机在基础设施检查任务中的应用在减少操作时间、安全性和成本效益方面提供了好处。提出了一种基于热方程驱动区域覆盖(HEDAC)算法的三维多无人机自主体积覆盖和基础设施视觉检测轨迹规划方法。该方法使用势场生成轨迹,并实施距离场以防止碰撞并确定UAV的相机方向。在风力涡轮机和桥梁等复结构的目视检查过程中,它成功地实现了覆盖范围,在相同条件下可以检查更多的表面积,优于最先进的方法。所提出的轨迹规划方法提供了各种设置参数的灵活性,并适用于现实世界的检测任务。最后,所提出的方法可以潜在地应用于不同的自主无人机任务,甚至可以用作无人机运动控制方法,如果其计算效率的提高。
2022-12-07 cs.MA cs.RO cs.SY
Path Planning for Multi-Copter UAV Formation Employing a Generalized Particle Swarm Optimization
Naval Academy, Vietnam(越南海军学院)
针对多旋翼无人机编队巡检的路径规划问题,提出GEPSO算法规划质心避障路径,并通过路径生成方案保持各机编队位置,仿真与实验验证了可行性。
2025-01-10 cs.RO cs.SY eess.SY
Optimal Control-Based UAV Path Planning with Dynamically-Constrained TSP with Neighborhoods
KAIST(韩国科学技术院)
本文提出一种基于采样 roadmap 算法的无人机路径规划方法,通过最优控制生成路径以减少计算时间并提升解的质量,解决动态约束 TSP 带邻居问题。
2016-12-18 cs.RO cs.SY eess.SY
Continuous World Coverage Path Planning for Fixed-Wing UAVs using Deep Reinforcement Learning
TUM School of Engineering and Design, Technical University of Munich(慕尼黑技术大学工程与设计学院);Dept. of Electrical Engineering and Computer Sciences, University of California, Berkeley(加州大学伯克利分校电气工程与计算机科学系)
针对固定翼无人机在连续环境中的覆盖路径规划问题,提出基于AM-SAC与自适应课程的深度强化学习方法,以学习节能且满足曲率约束的完整覆盖策略。
2025-05-13 cs.LG cs.RO cs.SY
Unscented Optimal Control for 3D Coverage Planning with an Autonomous UAV Agent
KIOS Research and Innovation Centre of Excellence (KIOS CoE)(KIOS卓越研究与创新中心(KIOS CoE));University of Cyprus(塞浦路斯大学)
提出一种概率鲁棒控制器,将3D覆盖规划表述为带逻辑约束的最优控制问题,通过Unscented变换实现鲁棒的开环覆盖计划设计。
2023-06-30 cs.RO cs.SY eess.SY
Path Planning for a UAV Swarm Using Formation Teaching-Learning-Based Optimization
Faculty of Missile and Gunship, Naval Academy(海军学院导弹与舰载机学院);Undergraduate Faculty, Fulbright University(富布赖特大学本科学院)
针对无人机集群作业时保持编队的路径规划问题,提出结合变异、精英策略等机制的增强型教-学优化算法,可生成有效路径支撑三角编队巡检任务。
2025-01-16 cs.RO cs.SY eess.SY
UAV Coverage Path Planning under Varying Power Constraints using Deep Reinforcement Learning
Technical University of Munich(慕尼黑工业大学);EURECOM(欧洲通信学院)
覆盖路径规划(CPP)是设计一个轨迹,使移动代理的每一个点的兴趣区域旅行的任务。我们提出了一种新的方法来控制无人机(UAV)携带相机的CPP任务与随机的开始位置和多个选项的着陆位置在一个环境中包含禁飞区。虽然已经提出了许多方法来解决类似的CPP问题,我们利用端到端的强化学习(RL)学习控制策略,概括了不同的功率约束的无人机。尽管最近电池技术有所改进,但小型无人机的最大飞行范围仍然是一个严重的限制,这是由于无人机的功耗变化难以预测而加剧的。通过使用类似于地图的输入通道,通过卷积网络层向智能体提供空间信息,我们能够训练双深度Q网络(DDQN)为无人机做出控制决策,平衡有限的功率预算和覆盖目标。所提出的方法可以应用于各种各样的环境,并协调复杂的目标结构与系统约束。
2021-02-12 cs.RO cs.SY eess.SY
Deep Reinforcement Learning for Trajectory Path Planning and Distributed Inference in Resource-Constrained UAV Swarms
Hamad Bin Khalifa University(哈马德·本·哈利法大学);Barzan Holdings QSTP LLC(巴尔赞控股卡塔尔科技园有限责任公司)
无人机(UAV)的部署灵活性和机动性增加了其在各种应用中的采用,例如野火跟踪,边界监控等。在许多关键应用中,UAV捕获图像和其他传感数据,然后将捕获的数据发送到远程服务器进行推理和数据处理任务。然而,由于连接不稳定、有限的带宽和端到端延迟,这种方法在实时应用中并不总是实用的。一个有前途的解决方案是将推理请求分成多个部分(层或段),每个部分基于可用资源在不同的UAV中执行。此外,一些应用需要无人机穿越某些区域并捕获事件;因此,规划其路径变得特别重要,以减少进行协作推理过程的延迟。具体而言,规划UAV轨迹可以通过与相同接近度的设备通信来减少数据传输延迟,同时减轻传输干扰。这项工作的目的是设计一个模型的分布式协同推理请求和无人机群的路径规划,同时尊重由于推理请求的计算负载和内存使用的资源约束。该模型被制定为一个优化问题,旨在最大限度地减少延迟。制定的问题是NP难的,所以找到最优解是相当复杂的,因此,本文介绍了一个实时和动态的解决方案,在线应用程序使用深度强化学习。我们进行了广泛的模拟,并将我们的结果与最先进的研究进行比较,证明我们的模型优于竞争模型。
2022-12-21 cs.DC cs.LG cs.RO
Bayesian Active Inference for Intelligent UAV Anti-Jamming and Adaptive Trajectory Planning
University of Genoa(热那亚大学);Italian National Inter-University Consortium for Telecommunications (CNIT)(意大利国家大学电信联合体(CNIT))
本文提出基于贝叶斯主动推断的无人机抗干扰与自适应轨迹规划方法,通过结合专家示范与概率生成模型,实现高层规划与底层策略的协同,有效减少干扰并提升任务效率。
2025-12-05 cs.AI cs.RO cs.SY
Enhanced discrete particle swarm optimization path planning for UAV vision-based surface inspection
Vietnam National University(越南国立大学);University of Technology Sydney(悉尼科技大学)
在建筑基础设施监控中,高效的路径规划算法对于使用计算机视觉进行大型表面的机器人检测至关重要。在这项工作中,我们首先制定的检查路径规划问题作为一个扩展的旅行商问题(TSP),其中的覆盖范围和避障都考虑在内。然后提出了一种改进的离散粒子群优化算法(DPSO)来求解TSP,通过使用确定性初始化,随机变异和边缘交换来提高性能。最后,我们利用并行计算的优势,实现DPSO在基于GPU的框架,使计算时间可以显着减少,同时保持硬件要求不变。为了证明所提出的算法的有效性,实验结果包括从无人机检查的办公楼和桥梁获得的数据集。
2017-06-14 cs.AI cs.CV cs.RO
A Review on Viewpoints and Path-planning for UAV-based 3D Reconstruction
Institute of Geodesy and Photogrammetry, Technische Universität Braunschweig(布伦瑞克工业大学测量与摄影测量研究所);University of Tehran(德黑兰大学);Intelligent Robotics Research Division, ETRI(韩国电子通信研究院智能机器人研究部);New York University(纽约大学);University of Edinburgh(爱丁堡大学)
本文综述了基于单架无人机的大规模室外3D重建中的视点选择与路径规划算法,分析了无模型和基于模型方法的创新与局限,并探讨了现有挑战与未来前景。
2022-05-07 cs.CV cs.GR cs.RO