Learning on the Fly: Replay-Based Continual Object Perception for Indoor Drones
National University of Science and Technology Politehnica Bucharest, Romania（罗马尼亚布加勒斯特多项技术大学）；Institute of Mathematics ``Simion Stoilow'' of the Romanian Academy, Romania（罗马尼亚科学院模拟昂斯数学研究所）；NORCE Norwegian Research Center, Norway（挪威NORCE研究中心）
本研究提出基于回放的连续学习方法，通过室内无人机视频数据集评估，证明在有限内存预算下FAR方法能有效提升物体感知性能。
2026-02-13 cs.CV cs.RO
Accurate indoor mapping using an autonomous unmanned aerial vehicle (UAV)
University of Melbourne（墨尔本大学）；Metropolitan Fire Brigade（大都会消防局）
自主室内飞行器需要可靠的同时定位和地图绘制（SLAM）、精确的飞行控制和鲁棒的导航路径规划。本文提出了一个系统级的组合，这些现有的二维导航技术。一种名为URSA（无人侦察和安全飞机）的无人机（UAV）可以自主飞行并以2 cm的精度绘制室内环境。在室内环境中的性能进行了评估的绘图和导航精度。
2018-07-31 cs.RO eess.IV
RiverVLN: Phase-Grounded Temporal Vision--Language Navigation for Unmanned Surface Vehicles
针对无人水面艇在连续河流运动中的长时程视觉-语言导航，提出RiverVLN基准和PGT-NAV框架，通过相位接地将指令转为可验证语义序列，显著降低漂移并实现0.79平均成功率。
2026-09-22 cs.AI cs.RO
Visual Localisation of Mobile Devices in an Indoor Environment under Network Delay Conditions
Oviedo University（奥维耶多大学）；University of Essex（埃塞克斯大学）
当前在家庭自动化和服务机器人环境中的进展突出了开发允许两个系统之间的标准通信的互操作性机制的需要。在DHCompliant协议的开发过程中，已经研究了在室内环境中定位移动设备的问题。设备与位置服务的通信已经进行了研究的时间延迟，Web服务提供的套接字前面。从实时定位系统获取数据的重要性预示着，互操作性的基本工具，如Web服务，在这种情况下可能是无效的，因为在调用服务时增加了延迟。本文的重点是介绍一个Web服务来解决一个坐标请求没有任何显着的延迟相比，套接字。
2011-03-29 cs.RO
Indoor Path Planning for an Unmanned Aerial Vehicle via Curriculum Learning
Yonsei University（延世大学）；Electronics and Telecommunications Research Institute（电子通信研究院）
将强化学习应用于室内环境下无人机避障二维路径规划的学习。无人机的任务是在最短的时间内到达目标位置，不与任何障碍物相撞。强化学习是在使用Gazebo（一种虚拟环境模拟器）创建的虚拟环境中执行的，以减少学习时间和成本。课程学习，其中包括两个阶段进行了更有效的学习。作为两种奖励模型学习的结果，达到的最大目标率分别为71.2%和88.0%。
2021-08-23 cs.RO
i2Nav-Robot: A Large-Scale Indoor-Outdoor Robot Dataset for Multi-Sensor Fusion Navigation
Wuhan University（武汉大学）；Hubei Luojia Laboratory（湖北珞珈实验室）
针对无人地面车辆导航数据集不足，提出i2Nav-Robot数据集，集成多模态传感器，经在线硬件同步和离线校准获取精确时间戳，含十个大规模序列，经评估数据质量高，对推进车辆导航研究实用。
2026-07-24 cs.RO
Error State Extended Kalman Filter Multi-Sensor Fusion for Unmanned Aerial Vehicle Localization in GPS and Magnetometer Denied Indoor Environments
University of Zagreb（萨格勒布大学）
本文讨论了无人机（UAV）室内导航的问题，特别是在GPS和磁力计传感器测量不可用或不可靠的地区。所提出的解决方案是在多传感器融合的背景下使用误差状态扩展卡尔曼滤波器（ES-EKF）。它的实施是适应融合测量从多个传感器源和状态模型扩展到考虑传感器漂移和可能的校准不准确。通过将从PixHawk 2.1飞行控制器获得的IMU数据与来自LiDAR Cartographer SLAM的姿态测量、英特尔T265相机提供的视觉里程计和来自Pozyx UWB室内定位系统的位置测量进行融合来进行实验验证。从ES-EKF的估计里程验证地面实况数据从Optitrack运动捕捉系统和它的使用在位置控制回路中，以稳定的无人机进行了演示。
2021-09-10 cs.RO
Localization of Unmanned Aerial Vehicles in Corridor Environments using Deep Learning
National Institute of Technology, Rourkela（鲁尔凯拉国家理工学院）
未知环境下基于视觉的无人机位姿估计是机器人视觉领域中一个快速发展的研究方向。当唯一可用的传感器是静态单摄像头（单目视觉）时，任务变得更加复杂。在这方面，我们提出了一种单目视觉辅助定位算法，这将有助于无人机在室内走廊环境中安全导航。目标始终是通过使无人机保持在中心而不朝向左侧或右侧来在向前方向上导航无人机通过走廊。该算法利用从UAV前置摄像头捕获的RGB图像，并将其通过训练的深度神经网络（DNN）来预测UAV在走廊左侧或中心或右侧的位置。根据UAV相对于走廊的中心平分线（CBL）的发散度，生成合适的命令以使UAV到达中心。当无人机位于走廊的中心时，新图像通过另一个训练的DNN来预测无人机相对于走廊的CBL的取向。如果无人机向左或向右倾斜，则生成适当的命令以校正方位。我们还提出了一个新的走廊数据集，命名为NITRCorrV1，它包含了无人机前置摄像头在各种走廊的所有可能位置时捕获的图像。一组详尽的实验在不同的走廊揭示了所提出的算法的有效性。
2019-03-21 cs.CV
Indoor Path Planning for Multiple Unmanned Aerial Vehicles via Curriculum Learning
Yonsei University（延世大学）；Korea Aerospace Research Institute（韩国航空宇宙研究院）
采用多智能体强化学习对两台无人机进行室内路径规划。每架无人机执行的任务是在有障碍物的环境中尽可能快地从随机配对的初始位置移动到目标位置。为了减少训练时间和防止无人机的损坏，学习是通过模拟进行的。考虑到多智能体环境的非平稳特性，其中最优行为基于其他智能体的动作而变化，其他UAV的动作也被包括在每个UAV的状态空间中。课程学习分两个阶段进行，以提高学习效率。学习策略的目标率为89.0%，其他学习策略的目标率分别为73.6%和79.9%。
2022-09-05 cs.RO
Post-disaster building indoor damage and survivor detection using autonomous path planning and deep learning with unmanned aerial vehicles
The Hong Kong University of Science and Technology（香港科技大学）；University of British Columbia（不列颠哥伦比亚大学）；Stevens Institute of Technology（史蒂文斯理工学院）
针对灾后建筑室内搜救需求，提出融合自主导航、深度学习检测与低成本MAV的自主检查方法，并在模拟灾后办公楼中验证其高精度与应用潜力。
2025-03-13 cs.CV cs.RO
Exploring Machine Learning Engineering for Object Detection and Tracking by Unmanned Aerial Vehicle (UAV)
Edgewood Jr/Sr High School（埃奇伍德初中/高中）；Florida Institute of Technology（佛罗里达理工学院）
本研究开发了一个强调保障方法的机器学习流水线，构建了模拟室内SAR的新数据集，并在Parrot Mambo无人机上部署YOLOv4和Mask R-CNN模型实现实时目标检测与跟踪，达到0.1942平均损失和96%准确率。
2024-12-19 cs.AI cs.CV cs.LG
The Blackbird Dataset: A large-scale dataset for UAV perception in aggressive flight
Massachusetts Institute of Technology（麻省理工学院）
Blackbird无人机（UAV）数据集是一个大规模的、激进的室内飞行数据集，使用定制的四旋翼平台收集，用于评估敏捷感知。Blackbird数据集的灵感来自未来高速全自主无人机竞赛的潜力，包含17条飞行轨迹和5种环境下168次飞行的10多个小时的飞行数据，速度高达$7.0ms^-1$。每次飞行都包括来自120 Hz立体声和向下的真实感虚拟相机、100 Hz IMU、$\sim190Hz$电机速度传感器和360 Hz毫米精度运动捕捉地面实况的传感器数据。每次飞行的相机图像都使用FlightGoggles在各种环境中进行了逼真的渲染，以方便高性能感知算法的简单实验。该数据集可从http://blackbird-dataset.mit.edu/下载
2018-10-03 cs.CV cs.RO
InstaLoc: One-shot Global Lidar Localisation in Indoor Environments through Instance Learning
University of Oxford（牛津大学）；Amazon Research（亚马逊研究院）
InstaLoc 提出一种基于全景分割和实例匹配的室内激光雷达一次性全局定位方法，通过两个高效网络实现实时定位，检测数量和精度均优于基线方法。
2023-07-04 cs.RO
RGB-D-Inertial SLAM in Indoor Dynamic Environments with Long-term Large Occlusion
University of Edinburgh（爱丁堡大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）；Touchlab Limited（触觉实验室有限公司）；the Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
这项工作提出了一种新的RGB-D-惯性动态SLAM方法，可以实现准确的定位时，相机视图的大部分被遮挡的多个动态对象在很长一段时间。大多数动态SLAM方法或者在动态对象占视觉输入的较小比例时将动态对象作为离群值移除，或者在相机跟踪之前使用语义分割来检测动态对象。因此，在没有先验信息的情况下，难以检测引起大遮挡的动态对象。来自静态背景的剩余视觉信息也不足以在大遮挡持续长时间时支持定位。为了克服这些问题，我们的框架提出了一个强大的视觉惯性光束法平差，同时跟踪相机，估计动态对象的集群密集分割，并保持一个静态稀疏地图相结合的密集和稀疏的功能。实验结果表明，我们的方法实现了有前途的定位和对象分割性能相比，其他国家的最先进的方法在长期的大遮挡的情况下。
2023-03-23 cs.RO
Inertial Collaborative Localisation for Autonomous Vehicles using a Minimum Energy Filter
Australian National University（澳大利亚国立大学）；Defence Science and Technology Group（国防科学技术集团）
近年来，协作定位作为一种在具有挑战性的环境中改善无人机姿态估计的方法得到了广泛的研究。然而，很少有人注意到推进基本的滤波器设计超出标准的扩展卡尔曼滤波器为基础的方法。在本文中，我们详细介绍了一个离散时间协同定位过滤器使用确定性最小能量框架。该滤波器包含来自惯性测量单元的测量结果，并对传感器偏差和重力加速度的影响进行建模。我们提出了一个基于真实世界的车辆轨迹和IMU数据的模拟，演示了协作定位如何提高单车辆方法的性能。
2021-04-13 cs.RO cs.SY eess.SY
Mobile Robot Localisation and Navigation Using LEGO NXT and Ultrasonic Sensor
University of Bristol（布里斯托大学）；The Hong Kong University of Science and Technology（香港科技大学）；Shandong University（山东大学）；Jilin University（吉林大学）；Shenzhen Sanhang Industrial Technology Research Institute（深圳三航工业技术研究院）
移动机器人对个人和行业都变得越来越重要。移动机器人技术不仅被该领域的专家使用，而且在业余爱好者中也很受欢迎。然而，实现移动机器人自主执行任务可能是昂贵的，因为需要各种类型的传感器和机器人平台的高价格。因此，在本文中，我们提出了一种移动机器人定位和导航系统，它使用了乐高超声波传感器在室内地图的基础上的乐高MINDSTORM NXT。这为大多数机器人爱好者提供了一个负担得起的、即用型的选择。本文提出了一种从超声波传感器采集的失真读数中提取有用信息的有效方法。然后，粒子滤波器被用来定位机器人。在机器人位置估计的基础上，提出了一种基于采样的机器人导航路径规划方法。该方法通过最小化机器人转弯次数和覆盖距离来减小机器人累积运动误差。机器人定位和导航算法在MATLAB中实现。模拟结果表明，三个不同的室内地图位置的平均精度在1和3厘米之间。此外，在一个真实的设置进行的实验表明，所提出的方法的有效性。
2018-10-20 cs.RO
RGB-D SLAM in Indoor Planar Environments with Multiple Large Dynamic Objects
University of Edinburgh（爱丁堡大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
这项工作提出了一种用于动态平面环境的新型密集RGB-D SLAM方法，可以同时进行多对象跟踪、摄像机定位和背景重建。先前的动态SLAM方法或者依赖于语义分割来直接检测动态对象;或者假设动态对象比静态背景占据相机视图的更小比例，并且因此可以作为离群值被移除。然而，我们的方法，使密集的SLAM相机视图时，在很大程度上被多个动态对象的帮助下，相机运动之前。动态平面对象通过其不同的刚性运动分离并独立跟踪。剩余的动态非平面区域作为异常值被移除，并且不映射到背景中。评估表明，我们的方法优于国家的最先进的方法在本地化，映射，动态分割和对象跟踪。我们还证明了它的鲁棒性大漂移的相机运动之前。
2022-10-18 cs.RO
Variable-Resolution Virtual Maps for Autonomous Exploration with Unmanned Surface Vehicles (USVs)
Department of Mechanical Engineering, University College London, London, UK（伦敦大学学院机械工程系）；Department of Mechanical Engineering, Stevens Institute of Technology, Hoboken, NJ, USA（新泽西州霍博肯斯坦福理工学院机械工程系）；Department of Computer Science, Dartmouth College, Hanover, NH, USA（达特茅斯学院计算机科学系）
本文提出可变分辨率虚拟地图方法，通过自适应四叉树和双变量高斯虚拟地标，有效解决GNSS退化环境下自主探索中的定位和地图不确定性问题，提升计算效率和安全性。
2026-09-23 cs.RO
Camera Relocalization by Computing Pairwise Relative Poses Using Convolutional Neural Network
Aalto University（阿尔托大学）；Indian Institute of Technology, Delhi（印度理工学院德里分校）
我们提出了一种新的基于深度学习的摄像机重新定位方法。我们的方法通过使用卷积神经网络（CNN）首先检索相似的数据库图像，然后预测查询和数据库图像之间的相对姿态，其姿态是已知的，来定位给定的查询图像。查询图像的相机位置是使用基于RANSAC的方法通过三角测量从两个相对平移估计获得的。每个相对姿态估计提供了相机取向的假设，并且它们在第二RANSAC方案中被融合。使用训练图像对以端到端的方式训练神经网络用于相对姿态估计。与以前的工作相比，我们的方法不需要对网络进行特定场景的训练，这提高了可扩展性，并且它也可以应用于网络训练期间不可用的场景。作为另一个主要贡献，我们发布了一个具有挑战性的室内定位数据集，涵盖注册到公共坐标系的5个不同场景。我们使用我们自己的数据集和标准的7场景基准来评估我们的方法。结果表明，所提出的方法可以很好地推广到以前看不见的场景，并与最近的其他基于CNN的方法相比。
2017-08-01 cs.CV
Development of a Cost-efficient Autonomous MAV for an Unstructured Indoor Environment
University of Stuttgart（斯图加特大学）
使用自主地面和空中车辆执行救援和监视操作变得越来越明显。涉及无人机器人系统允许使这些操作更有效、安全和可靠，特别是在危险区域。这项工作致力于开发一种具有成本效益的四轴飞行器形状的微型飞行器，用于室内场景的开发目的。它是用可用于小型直升机的现成组件建造的。附加的传感器和电子设备被集成到该飞行器中，以稳定其飞行行为，并在部分非结构化的室内环境中提供自主导航的能力。
2011-11-02 cs.RO
Robust Glare Detection: Review, Analysis, and Dataset Release
School of Electrical and Electronics Engineering（电气与电子工程学院）；Nanyang Technological University（南洋理工大学）
太阳眩光广泛存在于无人驾驶地面和飞行器在户外环境中拍摄的图像中。图像中这些伪影的存在将导致错误的特征提取和自治系统的失败。人类一旦观察到眩光（特别是在驾驶时），就会试图调整自己的视野，而这种行为是下一代自动驾驶汽车的基本要求。眩光的来源并不限于太阳，在夜间和室内环境中拍摄的图像中可以看到眩光，这是由于存在不同的光源;反射表面也会影响这种伪影的产生。眩光的视觉特征在不同相机拍摄的图像上是不同的，并且取决于几个因素，例如相机的快门速度和曝光水平。因此，它是具有挑战性的，引入一个通用的-鲁棒和准确的-算法眩光检测，可以在各种捕获的图像表现良好。本研究旨在介绍第一个眩光检测数据集，其中包括由不同相机捕获的图像。此外，多个图像表示和它们的组合在眩光检测的效果检查使用所提出的深度网络架构。发布的数据集可在https://github.com/maesfahani/glaredetection上获得
2021-10-13 cs.AI cs.RO eess.IV
A Hybrid SLAM and Object Recognition System for Pepper Robot
Edinburgh Robotics Center（爱丁堡机器人中心）；VICOROB, UdG（赫罗纳大学计算机视觉与机器人研究所）；I2R, A*STAR（新加坡科技研究局资讯通信研究院）；Heriot-Watt University（赫瑞瓦特大学）
人形机器人在现实生活中扮演着越来越重要的角色，特别是在室内应用方面。为室内环境测绘、自定位和物体识别等任务提供强大的解决方案，对于使机器人更加自主，从而更加人性化至关重要。著名的毕宿五服务机器人Pepper是实现这些目标的合适人选。在本文中，同时定位和映射（SLAM）算法与对象识别相结合的混合系统的开发和测试与胡椒机器人在现实世界的条件下第一次。ORB SLAM 2算法是本课题的一项重要研究工作.然后，基于尺度不变特征变换（SIFT）和随机采样一致性（RANSAC）的对象识别技术与SLAM相结合，识别和定位映射的室内环境中的对象。我们的实验结果表明，该系统的适用性，在现实世界的场景中的胡椒机器人。此外，我们在https://github.com/PaolaArdon/Salt-Pepper上向社区提供了我们的源代码。
2019-03-08 cs.RO
Ego-motion Sensor for Unmanned Aerial Vehicles Based on a Single-Board Computer
Czech Institute for Informatics, Robotics, and Cybernetics（捷克信息学、机器人学与控制论研究所）；Czech Technical University in Prague（布拉格捷克技术大学）
介绍了一种适用于微型飞行器的地面里程传感器的设计与实现。该传感器基于一个面向地面的摄像头和一个基于单板的【形】Linux的嵌入式计算机，该计算机具有多媒体片上系统（SoC）。该SoC具有用于在线估计光流的硬件视频编码器。然后结合距离传感器使用光流来估计车辆的速度。所提出的传感器相比，类似的现有解决方案，并在室内和室外环境中进行评估。
2019-01-22 cs.CV cs.RO
Optimizing Indoor Farm Monitoring Efficiency Using UAV: Yield Estimation in a GNSS-Denied Cherry Tomato Greenhouse
Department of Mechanical Engineering, Ulsan National Institute of Science and Technology (UNIST)（机械工程系，乌山国立科学技术研究院）；Agricultural Robotics and Artificial Intelligence, Metafarmers（农业机器人与人工智能，Metafarmers）
针对温室监测中UGV的局限性，本文开发了一种配备RGB-D相机、3D LiDAR和IMU的轻量级UAV，利用LiDAR-惯性里程计和3D多目标跟踪算法，在无GNSS环境中实现樱桃番茄数量与重量估计，实验验证了其高效性与潜力。
2025-05-02 cs.CV cs.RO
Autonomous Systems: Autonomous Systems: Indoor Drone Navigation
Vellore Institute Of Technology（韦洛尔理工大学）
本文利用 Gazebo、Navigation2 和 SLAM Toolbox 构建了一个可在无 GPS 室内环境中自主导航的模拟四旋翼无人机，填补了 Nav2 在无人机领域应用的空白。
2023-04-18 cs.AI cs.RO
Marker-Based Localisation System Using an Active PTZ Camera and CNN-Based Ellipse Detection
Singapore University of Technology and Design（新加坡科技设计大学）
针对GPS拒止环境定位需基础设施与现场校准的问题，提出用单主动PTZ摄像机结合仅合成图训练的CNN椭圆检测的无基础设施免校准定位系统，借椭圆角度优化滤波提升定位精度，实飞及内外场景实验均优于替代方法。
2023-11-06 cs.RO
Optimized Deployment of Deep Neural Networks for Visual Pose Estimation on Nano-drones
Politecnico di Torino（都灵理工大学）；Princeton University（普林斯顿大学）
本文提出一种结合两种神经架构搜索算法的自动优化流程，用于纳米无人机视觉姿态估计，并通过并行超低功耗SoC上的融合软件内核部署，在等误差条件下将推理延迟最多降低3.22倍。
2024-02-23 cs.CV cs.LG
IndoorUAV: Benchmarking Vision-Language UAV Navigation in Continuous Indoor Environments
IndoorUAV通过构建室内无人机视觉-语言导航基准，结合多模态推理和任务分解，为长视距和短视距导航提供高质量数据与模型支持。
2025-12-22 cs.AI cs.RO
Vision-model-based Real-time Localization of Unmanned Aerial Vehicle for Autonomous Structure Inspection under GPS-denied Environment
无人机已广泛用于建筑物、桥梁和其他结构的目视检查。在室外自主或半自主飞行任务中，强GPS信号对于无人机定位自身位置至关重要。然而，强大的GPS信号并不总是可用的，它可能会在大型建筑物下方或靠近电力线的地方降级或完全丢失，这可能会导致严重的控制问题，甚至是无人机坠毁。这些局限性极大地限制了无人机作为常规检查工具在各个领域的应用。本文提出了一种基于视觉模型的实时的【形】自定位方法，以支持不需要GPS支持的自主空中检查。与其他需要额外机载传感器的定位方法相比，该方法使用单个摄像机来连续估计无人机的飞行姿态。详细讨论了该方法的各个步骤，并通过室内测试案例对其性能进行了测试。
2019-04-10 cs.CV cs.RO
Coverage Path Planning with Budget Constraints for Multiple Unmanned Ground Vehicles
针对多机器人环境感知，本文提出融合可变编队覆盖路径规划与集群协同主动感知的状态机切换方法，并在气源定位建图实验中证明其比单模态方法收敛更快。
2023-06-07 cs.MA cs.RO
Active Tracking of Marine Pollution Sources: An Uncertainty-Aware Categorical Bayesian Framework for Unmanned Surface Vehicles
University College London（伦敦大学学院）
研究利用无人水面舰艇主动跟踪海洋污染源，提出基于贝叶斯推理的信息路径规划框架，结合CFD、Gazebo和ArduPilot进行模拟，引入最小可信区间量化不确定性，模拟显示该框架成功率达95.8%，性能优于基线方法，为自主环境监测提供基础。
2026-07-21 cs.RO
RaGNNarok: A Light-Weight Graph Neural Network for Enhancing Radar Point Clouds on Unmanned Ground Vehicles
Department of Electrical and Computer Engineering, Duke University（电气与计算机工程系，杜克大学）
针对低成本室内移动机器人中毫米波雷达点云稀疏、噪声和误检测问题，本文提出轻量级图神经网络框架RaGNNarok，在Raspberry Pi 5上仅需7.3毫秒推理时间即可实时增强雷达点云，并在定位、SLAM和自主导航任务中验证了其可靠性和泛化能力。
2025-07-01 cs.AR cs.CV cs.LG
Adaptive Planning Framework for UAV-Based Surface Inspection in Partially Unknown Indoor Environments
Carnegie Mellon University（卡内基梅隆大学）
针对部分未知室内环境中基于无人机的表面检测因参考地图过时导致效率低的问题，提出整合全局覆盖规划与局部反应式自适应的框架，实验证明其可提升检测效率与覆盖率。
2025-04-12 cs.RO
Autonomous Reality Modelling for Cultural Heritage Sites employing cooperative quadrupedal robots and unmanned aerial vehicles
New York University Abu Dhabi（纽约大学阿布扎比分校）；University of the Aegean（爱琴大学）
本文提出利用自主四足机器人与无人机协同执行文化遗产地的三维实景建模，以系统化、可重复的方式减少人工干预，成果可服务于数字孪生平台中的安全监测与管理。
2024-02-20 cs.AI cs.LG cs.RO
SL(C)AMma: Simultaneous Localisation, (Calibration) and Mapping With a Magnetometer Array
DCSC, Delft University of Technology, the Netherlands（代尔夫特理工大学DCSC研究所，荷兰）
本文提出SL(C)AMma方法，利用磁力计阵列实现同步定位与建图，通过校准参数提升轨迹估计精度，实验验证其在复杂环境下优于传统惯性传感器融合方案。
2026-04-21 cs.RO
Estimation and Adaption of Indoor Ego Airflow Disturbance with Application to Quadrotor Trajectory Planning
Hong Kong University of Science and Technology（香港科技大学）
普遍认为，在四旋翼无人机（最广泛采用的无人机（UAV）之一）的自主导航过程中，安全始终具有最高优先级。然而，据观察，自我气流扰动在飞行期间可能是一个显著的不利因素，导致潜在的安全问题，特别是在狭窄和密闭的室内环境中。因此，我们提出了一种新的方法来估计和适应室内自我气流干扰的四旋翼，同时将其应用到轨迹规划。首先，针对邻近效应，对不同四旋翼进行了悬停实验。然后，与收集的加速度方差，干扰建模的四旋翼根据所提出的配方。在悬停条件下，在不同的重建的复杂环境的干扰模型也进行了验证。此外，根据估计的扰动进行Hamilton-Jacobi可达性分析的近似，以便于安全的轨迹规划，包括运动动力学路径搜索和B样条轨迹优化。整个规划框架在不同室内环境下的多个四旋翼平台上进行了验证。
2021-09-10 cs.RO
On-Board Vision Processing For Small UAVs: Time to Rethink Strategy
University of Essex（埃塞克斯大学）
无人机（UAV）的最终研究目标是实现操作的自主性。过去十年的研究突出了视觉传感在这方面的潜力。尽管视觉传感对于任何类型的无人机完成任务至关重要，但由于缺乏高精度惯性传感器，视觉传感对于小型飞行器更为关键。此外，室内和城市环境中GPS信号的不确定性要求此类小型车辆更多地依赖视觉传感。由于离线处理在自主性方面没有提供有吸引力的选择，这些车辆由于其严格的有效载荷能力和功率预算而一直在挑战平台，以实现车载视觉处理。这些严格的限制促使小型无人机需要新的视觉处理架构。最近的研究表明，令人鼓舞的结果与FPGA为基础的硬件架构。本文回顾了实现机载视觉处理的瓶颈，倡导基于硬件的解决方案来解决小型无人机的严格限制的潜力，最后分析了ASIC，结构化ASIC和FPGA用于未来系统的可行性。
2015-04-27 cs.CV cs.RO
UruBots UAV -- Air Emergency Service Indoor Team Description Paper for FIRA 2024
Technological University of Uruguay - UTEC（乌拉圭科技大学 - UTEC）
本文介绍Urubots队伍参加FIRA 2024空中应急服务（室内）赛事的自主UAV，其依托机载计算机视觉完成室内导航，无需外部操作或处理。
2024-06-13 cs.RO
Perception-aware Tag Placement Planning for Robust Localization of UAVs in Indoor Construction Environments
University of Toronto（多伦多大学）
基于标签的视觉惯性定位是一种轻量级的方法，用于实现低成本无人机（UAV）在室内施工环境中的自主数据汇集任务。然而，找到最佳标签配置（即，数量、规模和位置）仍然具有挑战性。本文提出了一种基于感知遗传算法的标签布局规划器（PGA-TaPP），以确定最佳的标签配置使用4D-BIM，考虑项目进度，安全要求，和无人机的本地化。所提出的方法提供了一个4D的标签放置计划，通过最大限度地提高在用户指定的感兴趣区域（ROI）的本地化，同时限制安装成本。可定位性使用Fisher信息矩阵（Fisher information matrix）进行量化，并封装在可导航的网格中。实验结果表明，我们的方法在寻找一个最佳的4D标签放置计划的鲁棒定位的无人机在建设中的室内场地的有效性。
2022-10-27 cs.RO
Cooperative UAVs Gas Monitoring using Distributed Consensus
University of Trento（特伦托大学）
本文讨论的问题，在有限的区域内使用多个协调代理的目标检测和定位。无人机（UAV）群在一定的生产区域内尽可能快地确定烟囱流出物扩散到气体羽流的位置，这使得问题具有挑战性，因为目标的时变性。设计并比较了三种不同的探测算法。除了勘探策略，本文报告了一个解决方案，一旦发现的实际堆栈位置的一个成员的团队快速收敛。导航和定位算法都是完全分布式的，并且基于共识理论。模拟现实的案例研究报告。
2019-07-16 cs.DC cs.RO
Deep RL-based Autonomous Navigation of Micro Aerial Vehicles (MAVs) in a complex GPS-denied Indoor Environment
本文提出深度近端策略优化（D-PPO）算法，通过在Unreal Engine构建的3D元环境中训练，提升微型飞行器在无GPS室内环境中的实时导航效率，实验表明训练计算延迟降低91%且性能无明显下降。
2025-04-08 cs.LG cs.RO
A Cost-Effective Person-Following System for Assistive Unmanned Vehicles with Deep Learning at the Edge
Politecnico di Torino（都灵理工大学）
上个世纪的人口动态统计数据突出表明，世界人口的平均年龄急剧增加，从而导致老年人人数增加。服务机器人应用有可能提供系统和工具，以支持日常生活中自主和自给自足的老年人，从而避免与第三方监视他们的任务。在这种情况下，我们提出了一种具有成本效益的模块化解决方案，以检测和跟踪室内家庭环境中的人。我们利用了深度学习优化技术的最新进展，并比较了不同的神经网络加速器，以在边缘提供一个强大而灵活的人员跟踪系统。我们提出的具有成本效益和功率效率的解决方案可与现有的导航堆栈完全集成，并为开发完全自主和独立的服务机器人应用奠定了基础。
2020-08-31 cs.RO
Quantitative and Qualitative Assessment of Indoor Exploration Algorithms for Autonomous UAVs
KIOS Center of Excellence, University of Cyprus（塞浦路斯大学KIOS卓越中心）；University of Cyprus（塞浦路斯大学）
室内探测是救灾、应急响应和搜救（SAR）任务中的一项重要任务。无人机（UAV）系统可以在建筑物内对人类有危险的区域进行自主机动，探索内部，并在应急响应团队采取行动之前提供准确可靠的室内地图，从而帮助急救人员。由于这种情况下的挑战性条件以及固有的电池限制和时间限制，我们研究了2D自主探索策略（例如，基于2D LiDAR）来绘制3D室内环境。首先，我们引入了一个电池消耗模型，考虑电池寿命方面的第一次作为一个关键因素，评估飞行耐力的探索战略。其次，我们使用各种最先进的基于2D LiDAR的探索策略在不同的室内环境中进行广泛的模拟实验。我们根据各种定量和定性性能指标评估了我们的研究结果，表明这些策略的行为取决于环境和初始条件的复杂性，例如，入口点。
2022-05-27 cs.RO cs.SY eess.SY
Real-Time Hybrid Mapping of Populated Indoor Scenes using a Low-Cost Monocular UAV
University of Oxford（牛津大学）
近年来，无人机（UAV）已被用于许多应用，从城市搜索和救援到农业测量，再到自主地下矿山勘探。然而，在狭窄的室内空间（特别是靠近人类的空间）部署无人机仍然是一个挑战。当需要有限的有效载荷时，一种解决方案是使用微型无人机，这对人类构成的风险较小，并且在坠毁后更换的成本通常较低。然而，微型无人机只能携带有限的传感器套件，例如单目相机而不是立体对或LiDAR，这使得密集映射和无标记多人3D人体姿态估计等任务变得复杂，这些任务需要在人们周围的紧密环境中操作。单目的方法，这样的任务存在，密集的单目映射方法已经成功地部署无人机应用。然而，尽管最近有许多关于基于标记和无标记的多UAV单人运动捕捉的工作，但无标记单相机多人3D人体姿态估计仍然是一种早期阶段的技术，我们不知道现有的尝试将其部署在空中环境中。在本文中，我们提出了什么是因此，据我们所知，第一个系统，同时进行映射和多人的三维人体姿态估计从单目摄像机安装在一个单一的无人机。特别是，我们展示了如何松散地耦合最先进的单目深度估计和单目3D人体姿态估计方法，以实时的重建填充室内场景的混合地图。我们通过对大规模ScanNet和GTA-IM数据集的广泛实验来验证我们的组件级设计选择。为了评估我们的系统级性能，我们还构建了一个新的牛津混合映射数据集的人口室内场景。
2022-03-04 cs.CV cs.RO
NAVREN-RL: Learning to fly in real environment via end-to-end deep reinforcement learning using monocular images
Georgia Institute of Technology（佐治亚理工学院）
我们提出了NAVREN-RL，一种通过端到端强化学习RL在室内真实环境中导航无人机的方法。考虑到微型无人机的成本和重量约束，设计了一个合适的奖励函数，使传感器的数量最少。少量专家数据的收集和基于知识的数据聚合被集成到RL过程中，以帮助收敛。在Parrot AR无人机上进行了不同室内场景的实验，并将结果与其他基线技术进行了比较。我们展示了无人机如何成功地避开障碍物并在不同的领域导航。
2018-07-22 cs.CV cs.LG cs.RO
Drones e Inteligencia Artificial para Investigación y Competición
Universidad Tecnológica del Uruguay（乌拉圭技术大学）
这项工作的重点是一般工业中使用的无人机或无人机（无人驾驶航空器）。这些车辆在工业中有大量的用途和潜力，作为土木工程，医学，采矿等的工具。然而，由于需要GPS，这种车辆仅限于在室内使用，并且在室内无法工作。以这种方式，这项工作提出了一种在没有GPS的情况下工作的无人机，从而能够在例如封闭空间中使用并且具有良好的精度。这项工作是基于一种使用计算机视觉和GPS的方法。
2022-10-20 cs.RO
PILOT: High-Precision Indoor Localization for Autonomous Drones
Department of Electrical and Computer Engineering, Virginia Tech（弗吉尼亚理工大学电气与计算机工程系）
在许多情况下，无人机（UAV），又名无人机，需要具有自主飞行的能力才能成功执行任务。为了实现这些自主飞行，无人机需要不断地知道它们的位置。然后，基于当前位置和最终目的地，将生成导航命令，并将无人机引导到目的地。定位可以很容易地在户外环境中使用GPS信号和无人机惯性测量单元（IMU）进行。然而，这种方法在室内环境或GPS拒绝区域中是不可行的。在本文中，我们提出了一种专门针对室内环境设计的无人机定位方案，称为PILOT（自主无人机的高精度室内定位）。PILOT依靠超声波信号来估计目标无人机的位置。为了对无人机的位置进行精确的最终估计，PILOT部署了一个三阶段定位方案。前两个阶段提供对室内环境的多径衰落效应的鲁棒性，并减轻测距误差。然后，在第三阶段，PILOT部署了一个简单而有效的技术，以减少由发射机和接收机之间的相对几何形状引起的定位误差，并显着降低高度估计误差。在不同场景下对PILOT算法进行了性能评估，结果表明PILOT算法在无人机三维定位中达到厘米级精度。
2022-01-25 cs.RO eess.SP
Small UAVs-supported Autonomous Generation of Fine-grained 3D Indoor Radio Environmental Maps
Universiteit Antwerpen（安特卫普大学）；imec（比利时微电子研究中心）
无线电环境地图（REM）是一个强大的工具，用于提高各种通信和网络代理的性能。然而，生成REM是一项费力的工作，特别是在复杂的三维（3D）环境中，例如室内。为了解决这个问题，我们提出了一个系统的室内3D空间的细粒度REM的自主生成。在该系统中，多个小型室内无人机（UAV）顺序用于信号质量指标的3D采样。收集到的读数被精简到机器学习（ML）系统中进行训练，一旦训练完成，系统就能够预测未知3D位置的信号质量。该系统能够自动和自主地生成REM，并且可以直接部署在新的环境中。此外，该系统支持无自干扰的REM采样，并且只要REM采样接收器具有适合无人机携带的尺寸和重量，则该系统是技术不可知的。在演示中，我们使用两架无人机实例化了系统设计，并展示了其访问72个航点和收集数千个Wi-Fi数据样本的能力。我们的研究结果还包括ML系统的实例化，用于预测无人机未访问的位置处的已知Wi-Fi接入点（AP）的接收信号强度（RSS）。
2021-11-05 cs.NI cs.RO cs.SY
MRS Modular UAV Hardware Platforms for Supporting Research in Real-World Outdoor and Indoor Environments
Czech Technical University in Prague（捷克布拉格技术大学）
本文介绍了一个家庭的自主无人机（UAV）平台设计的各种室内和室外应用。所提出的UAV设计在所使用的致动器、传感器配置、甚至UAV框架方面是高度模块化的。这允许实现，以最小的努力，一个适当的实验设置为单一的，以及，多机器人的情况。所提出的平台旨在促进从模拟和简化的实验室实验过渡到将空中机器人部署到不确定和难以建模的现实世界条件中。我们提出了无人机的机械设计，电气配置和动态模型，然后是建立这样一个完全自主的无人机系统所需的许多建议和技术细节，以实验验证科学成果。为了显示所提出的系统的强度和高可变性，我们提出了在各种环境中使用不同的致动器和传感器配置的数十个完全不同的真实机器人实验的结果。
2023-02-09 cs.RO
Robust Structure Identification and Room Segmentation of Cluttered Indoor Environments from Occupancy Grid Maps
Università degli studi di Milano（米兰大学）；Örebro Universitet（厄勒布鲁大学）；Aalto University（阿尔托大学）；Politecnico di Milano（米兰理工大学）
确定环境的结构，即，检测房间和墙壁等核心部件，可以促进室内自主移动机器人成功操作的几项基本任务，包括语义环境理解。这些机器人通常依赖于2D占用地图来执行核心任务，例如定位、运动和任务规划。然而，由于杂乱（例如，家具和可移动物体）、遮挡和部分覆盖。我们提出了一种用于2D占用图的鲁棒结构识别和房间分割（ROSE ^2）的方法，该方法可能是混乱和不完整的。ROSE ^[2]识别墙壁的主要方向，并且对杂乱和部分观察具有弹性，允许提取环境的清晰、抽象的几何平面图式描述，用于分割，即，以确定房间在，原来的占用网格地图。ROSE ^[2]在不同条件下获得的几幅公开可用的真实世界杂乱地图中进行了测试。结果表明，它可以鲁棒地识别2D占用图中的环境结构，同时显着提高房间分割精度。由于杂波去除和鲁棒的房间分割相结合，ROSE ^[2]始终比最先进的方法具有更高的性能。
2022-03-07 cs.RO
TURTLMap: Real-time Localization and Dense Mapping of Low-texture Underwater Environments with a Low-cost Unmanned Underwater Vehicle
University of Michigan（密歇根大学）
针对低纹理水下环境现有定位建图方法适用性差的问题，提出低成本的TURTLMap实时定位与稠密建图方案，经真实水箱实验验证，其在波浪条件下仍能实现精准鲁棒定位与高精度建图。
2024-10-09 cs.RO
Towards Design and Development of a Low-Cost Unmanned Surface Vehicle for Aquaculture Water Quality Monitoring in Shallow Water Environments
Sheffield Hallam University（谢菲尔德哈勒姆大学）
本文提出一种低成本3D打印双体无人水面艇，配备IMU和GNSS，采用ROS和EKF传感器融合技术构建双层差速控制框架，并通过浅水实验验证了其机动性与自主性，解决了小型水产养殖浅水监测的难题。
2024-10-12 cs.RO cs.SY eess.SY
RUR53: an Unmanned Ground Vehicle for Navigation, Recognition and Manipulation
University of Padova（帕多瓦大学）
本文提出RUR 53：无人驾驶地面车辆能够自主导航，识别和到达感兴趣的区域;并识别，定位和操纵工作工具以执行复杂的操纵任务。建议的贡献包括一个模块化软件架构，其中每个模块解决特定的子任务，可以很容易地扩大，以满足新的要求。包括室内和室外测试证明了所提出的系统能够自主检测目标对象（面板）并在避开障碍物的同时精确停靠在它前面。他们表明，它可以自主识别和操纵目标工作工具（即，扳手和阀杆）来完成复杂的任务（即，使用扳手旋转阀杆）。一个具体的案例研究中所提出的模块化架构，让容易切换到半遥控模式。本文详尽地描述了RUR 53的硬件和软件设置，在2017年穆罕默德·本·扎耶德国际机器人挑战赛测试时的性能，以及我们在参加这次比赛时学到的经验教训，我们与布拉格的捷克技术大学，宾夕法尼亚大学和林肯大学（英国）合作，在Gran挑战赛中排名第三。
2020-10-03 cs.RO
Vision-based Autonomous Disinfection of High Touch Surfaces in Indoor Environments
Stanford University（斯坦福大学）
自治系统在应对新冠肺炎疫情方面发挥了重要作用。值得注意的是，已经有多次尝试利用无人机（UAV）来消毒表面。尽管最近的研究表明，在新冠肺炎的传播中，表面传播不如空气传播重要，但表面和污染物可以并已经在新冠肺炎和许多其他病毒的传播中发挥关键作用，特别是在幼儿园、学校、办公室和医院等环境中。采用无人机进行大规模喷雾消毒具有几个潜在的优势，包括消毒剂的高通量应用，大规模部署以及最大限度地减少对环卫工人的健康风险。尽管这些潜在的好处和初步使用无人机消毒，很少有研究他们的设计和有效性。在这项工作中，我们提出了一个自主无人机能够有效地消毒室内表面。我们确定了相关参数，如消毒剂类型和浓度，以及无人机消毒门把手等高接触表面所需的应用时间和距离。最后，我们开发了一个机器人系统，使完全自主消毒的门把手在一个非结构化的和以前未知的环境。据我们所知，这是有史以来最小的无系绳无人机，具有完全的自主性和喷洒能力，使其能够在封闭的室内环境中运行，也是第一架专门针对高接触表面的自主无人机。
2021-09-16 cs.RO
