Decision-Making-Based Path Planning for Autonomous UAVs: A Survey
Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（控制系，电气工程系，布拉格捷克技术大学）；Department of Computer, Federal University of São Carlos（计算机系，萨o卡洛斯联邦大学）
本综述探讨了自主无人机基于决策的路径规划技术，概述了探索性与信息性路径规划的研究方向及数据建模特征，并指出了该领域面临的现有挑战。
2025-08-12 cs.RO
Learning How to Trade-Off Safety with Agility Using Deep Covariance Estimation for Perception Driven UAV Motion Planning
Istanbul Technical University（伊斯坦布尔理工大学）；Turkish-German University（土耳其-德国大学）
针对敏捷无人机导航任务，研究了如何利用预测模型选择基于感知不确定性估计的运动规划策略。虽然有各种各样的运动规划和感知算法，这样的任务，感知的不确定性的影响是没有明确地处理在许多当前的运动算法，这导致在现实生活中的情况下，测量往往是嘈杂的，由于外部干扰的性能损失。我们开发了一个新的框架嵌入感知不确定性的高层次运动规划管理，以选择最好的可用运动规划方法，目前估计的感知不确定性。我们使用深度神经网络（CovNet）来估计视觉输入的不确定性，该深度神经网络明确预测当前测量的协方差。接下来，我们训练一个高级机器学习模型，用于在给定协方差的当前估计以及UAV状态的情况下预测最低成本的运动规划算法。我们证明了现实生活中的数据和无人机竞赛模拟，我们的方法，命名为不确定性驱动的运动规划切换器（UDS）产生的最安全和最快的轨迹之间比较的替代品。此外，我们表明，开发的方法学习如何权衡安全与敏捷性切换到运动规划，导致更敏捷的轨迹时，估计的协方差是高的，反之亦然。
2020-12-11 cs.RO cs.SY eess.SY
DPMPC-Planner: A real-time UAV trajectory planning framework for complex static environments with dynamic obstacles
Carnegie Mellon University（卡内基梅隆大学）
由于环境结构复杂、动态障碍物、测量噪声和不可预测的移动障碍物行为等不确定性，无人机的安全导航具有挑战性。虽然最近的大量工作实现了复杂的静态环境中的安全导航与复杂的映射算法，如占用地图和ESDF地图，这些方法不能可靠地处理动态环境中由于移动障碍物的映射限制。为了解决这个问题，本文提出了一个轨迹规划框架，以实现安全导航，考虑复杂的静态环境与动态障碍。为了可靠地处理动态障碍物，我们将环境表示分为静态映射和动态对象表示，这可以通过计算机视觉方法来获得。我们的框架首先生成一个静态轨迹的基础上提出的迭代走廊收缩算法。然后，反应机会约束模型预测控制与时间目标跟踪应用于避免动态障碍物的不确定性。在各种环境下的仿真结果表明，我们的算法在复杂的静态环境中的动态障碍物的安全导航的能力。
2022-03-12 cs.AI cs.RO
Variable Time-Step MPC for Agile Multi-Rotor UAV Interception of Dynamic Targets
BITS Pilani K.K. Birla（BITS Pilani K.K. Birla（比茨皮拉尼K.K.比尔拉））
针对现有非线性MPC在多旋翼无人机敏捷轨迹规划中受固定步长和预测时域限制导致求解质量低的问题，提出可变时间步长并耦合预测时域的MPC方法，结合质点运动基元与微分平坦特性生成可行轨迹，提升了长航段规划与近目标机动的求解质量。
2025-03-18 cs.AI cs.RO cs.SY
Search Planning of a UAV/UGV Team with Localization Uncertainty in a Subterranean Environment
West Virginia University（西弗吉尼亚大学）
我们提出了一个航路点规划算法的无人机（UAV），是与无人地面车辆（UGV）在地下环境中的搜索和救援任务。无人机和无人机进行合作，通过鱼眼相机、3D激光雷达、测距无线电和激光高度计的多传感器融合在无人机上进行无人机的定位。同样，UAV的轨迹规划在UGV上进行，UGV被假设具有环境的3D地图（例如，来自同时定位与地图构建）。规划算法的目标是满足任务的探索准则，同时通过评估潜在的探索路线的置信空间来减少无人机的定位误差。所提出的算法进行评估，在相关的仿真环境中，规划算法被证明是有效的，在减少无人机的定位误差。
2021-02-11 cs.RO
Sim-to-Real Deep Reinforcement Learning based Obstacle Avoidance for UAVs under Measurement Uncertainty
IIIT Hyderabad（海得拉巴国际信息技术学院）
深度强化学习正迅速成为训练自主无人机（UAV）的流行方法。本文分析了测量不确定性对基于深度强化学习（DRL）的无人机航路点导航和避障性能的影响。测量不确定性源于用于定位和检测障碍物的传感器中的噪声。测量不确定度/噪声被认为遵循具有未知非零均值和方差的高斯概率分布。我们评估的DRL代理训练使用的近端策略优化（PPO）算法在连续的状态和动作空间的环境中的性能。在存在不同程度的噪声的情况下，对于每个模拟事件，环境被随机化为具有不同数量的障碍物，以捕获现实传感器测量的影响。去噪技术，如低通滤波器和卡尔曼滤波器，在存在无偏噪声的情况下提高了性能。此外，我们表明，在评估过程中人为地将噪声注入到测量中实际上提高了某些情况下的性能。在PyBullet物理模拟器中，在各种UAV导航场景下对DRL代理进行了广泛的训练和测试。为了评估我们的方法的实际有效性，我们在仿真中训练的政策移植到一个真正的无人机上，没有任何进一步的修改，并在现实世界的环境中验证结果。
2023-03-13 cs.RO
Reducing Object Detection Uncertainty from RGB and Thermal Data for UAV Outdoor Surveillance
Queensland University of Technology（昆士兰科技大学）；Griffith University（格里菲斯大学）；Data61 / CSIRO（Data61 / 联邦科学与工业研究组织）
针对无人机户外监视中视觉检测存在不确定性的问题，提出基于POMDP、用ABT和TAPIR工具包机载实时求解的概率运动规划框架，经真实飞行测试验证可减少误报、提升遇难者定位精度。
2023-08-21 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
How Far Two UAVs Should Be subject to Communication Uncertainties
Beihang University（北京航空航天大学）
本文提出了一种基于通信不确定性的无人机安全半径设计原则，通过分离设计与控制器，研究了不同阶段的安全半径，并通过仿真验证了方法的有效性。
2021-10-18 cs.RO
Simulation-to-reality UAV Fault Diagnosis in windy environments
National University of Singapore（新加坡国立大学）
针对有风环境下仿真到现实无人机故障诊断难题，本文提出基于不确定性的故障分类器UFC，结合差分深度卷积神经网络集成与不确定性决策框架，在室外有风场景中以33.6%数据使用率实现100%诊断准确率。
2023-09-21 cs.RO
Uncertainty with UAV Search of Multiple Goal-oriented Targets
Bar-Ilan University（巴伊兰大学）
研究了不确定环境下多无人机编队搜索目标的复杂问题。无人机小组的目标是在所有移动目标到达选定目标之前尽快找到它们。考虑的不确定性有三个方面：首先，无人机不知道目标的位置和目的地。其次，无人机的感知能力还不完善。第三，目标的运动模式是未知的。我们提出了一个实时的算法框架的无人机，结合熵和随机时间的信念，旨在优化的概率快速和成功地检测到所有的目标。我们经验评估的算法框架，并已显示其效率和显着的性能改善相比，其他解决方案。此外，我们已经评估了我们的框架使用对等设计的代理（PDA），这是计算机代理，模拟目标，并表明我们的算法框架优于其他解决方案，在这种情况下。
2022-03-03 cs.AI cs.LG cs.RO
Threat-Aware UAV Dodging of Human-Thrown Projectiles with an RGB-D Camera
基于RGB-D相机，该研究提出了一种实时规避系统，利用人体姿态估计和深度信息预测攻击轨迹，并通过不确定性感知策略提升无人机规避能力。
2025-11-28 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
$E^2Coop$: Energy Efficient and Cooperative Obstacle Detection and Avoidance for UAV Swarms
University of Otago（奥塔哥大学）
能量效率是无人机群避障轨迹规划的关键。本文提出了$E^2Coop$，一种将人工势场（APF）与基于粒子群规划（PSO）的航迹规划紧密耦合的无人机群避碰新方案。在$E^2Coop$中，群成员协同执行轨迹规划，以能量有效的方式避免碰撞。$E^2Coop$利用活动轮廓模型在图像处理中的优势进行轨迹规划。每个群体成员规划其轨迹上的环境场的轮廓，以节省能源，避免碰撞的障碍。处于彼此安全距离内的群成员在不同的轮廓上规划它们的轨迹，以避免彼此碰撞。仿真结果表明，与现有的两种方案相比，$E^2Coop$的能量节省率可达51%.
2021-05-08 cs.RO
Evidence-Based Landing Site Selection and Vison-Based Landing for UAVs in Unstructured Environments
Aerospace Research Centre, National Research Council Canada（加拿大国家研究委员会航空航天研究中心）；Department of Mechanical and Industrial Engineering, Toronto Metropolitan University（多伦多 Metropolitan 大学机械与工业工程系）
本文提出了一种基于证据的概率框架，用于无人机在复杂环境中自主着陆，通过视觉伺服实现决策与执行分离，确保着陆安全性和物理可行性。
2026-05-02 cs.RO
When Uncertainty Leads to Unsafety: Empirical Insights into the Role of Uncertainty in Unmanned Aerial Vehicle Safety
Università della Svizzera italiana（瑞士联邦理工学院）；Zurich University of Applied Sciences（苏黎世应用科学大学）；University of Zurich（苏黎世大学）；University of Bern（伯尔尼大学）
本文基于PX4-Autopilot的5000余架次模拟飞行分析UAV决策不确定性与安全违规的关联，并提出基于自编码器的运行时检测器Superialist，可提前至多50秒预测不安全状态。
2025-06-10 cs.RO cs.SE
LIDAR-based Stabilization, Navigation and Localization for UAVs Operating in Dark Indoor Environments
Faculty of Electrical Engineering, Czech Technical University in Prague（捷克技术大学电气工程学院）
无人机在封闭环境中的自主操作需要精确和可靠的姿态估计，该姿态估计可以在不使用外部定位系统（例如GNSS）的情况下稳定无人机。在这项工作中，我们关注的是估计的姿态从激光扫描产生的廉价和轻便的激光雷达。我们提出了一个定位系统的轻量级（下200克）激光雷达传感器在任意环境中，其他方法失败的高可靠性。所提出的方法的一般性质允许在广泛的应用中部署。此外，不同类型的环境之间的无缝转换是可能的。LIDAR定位的优点是它对不良照明具有鲁棒性，这对于在黑暗的室内环境中以及在室内和室外环境之间过渡的情况下基于相机的解决方案来说通常是具有挑战性的。我们的方法允许在照明不足的室内位置（如历史建筑和仓库）以及在紧凑的室外环境（如森林）中执行任务，其中基于视觉的方法由于场景的对比度大而失败，并且由于空间有限而无法部署大型装备精良的无人机。
2023-02-03 cs.RO
Active Informative Planning for UAV-based Weed Mapping using Discrete Gaussian Process Representations
Lincoln Centre for Autonomous Systems (L-CAS)（林肯自主系统中心）；Faculty of Aerospace Engineering, MAVLab（航空航天工程学院）；Delft University of Technology (TU Delft)（代尔夫特理工大学）
本文提出了一种基于离散高斯过程表示的UAV主动信息规划方法，用于提高杂草制图的精度和效率。
2026-01-19 cs.RO
A CBF-Adaptive Control Architecture for Visual Navigation for UAV in the Presence of Uncertainties
Luleå University of Technology（吕勒奥理工大学）
本文提出一种基于视觉锁定CBF和可参数化切换下降CBF的自适应反步控制架构，使四旋翼无人机仅凭RGB视觉特征在存在建模不确定性和外部扰动情况下实现水面机器人间的安全转移与精确着陆。
2024-02-16 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
An Input-Output Feedback Linearization based Exponentially Stable Controller for Multi-UAV Payload Transport
Indian Institute of Science（印度科学学院）
针对多无人机有效载荷运输问题，提出了一种指数稳定的轨迹跟踪控制器。多无人机有效载荷系统在无人机和有效载荷框架的垂直刚性连杆之间具有2-DOF磁球关节，因此无人机可以自由地滚动或俯仰。这些垂直连杆刚性连接到有效载荷上，不能移动。针对有效载荷-无人机系统的输入输出反馈线性化模型，推导了有效载荷轨迹跟踪的推力矢量控制。对跟踪控制律的理论分析表明，控制律是指数稳定的，从而保证了沿期望轨迹的安全运输。为了验证所提出的控制律的性能，数值模拟以及高保真Gazebo实时仿真的结果。接下来，针对两种实际情况：外部干扰的有效载荷和有效载荷质量的不确定性，所提出的控制器的鲁棒性进行了分析。结果清楚地表明，所提出的控制器是强大的和计算效率，同时实现指数稳定的轨迹跟踪。
2022-07-10 cs.RO
Diffusion-based 4D Trajectory Prediction and Distributed Control for UAV Swarms
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Southern University of Science and Technology（南方科技大学）；MoSense Technologies
提出统一框架，结合粗到细轨迹预测与不确定性感知分布式非线性模型预测控制，通过维度解耦和扩散残差动力学模块降低计算复杂度并捕捉动态不确定性，在复杂环境下实现亚0.07米平均跟踪误差和34 FPS实时推理。
2026-07-01 cs.RO
Smart Power Supply for UAV Agility Enhancement Using Deep Neural Networks
Kent State University（肯特州立大学）
近年来，无人机（UAV）已被广泛部署在各种现实场景中，例如灾难救援和包裹递送。这些工作环境中的许多是非结构化的，具有不确定和动态的障碍。无人机碰撞事件时有发生。具有高敏捷性的无人机非常需要调整其运动以适应这些环境动态。然而，UAV的敏捷性受到其电池功率输出的限制;特别地，UAV的功率系统不能在运动规划中知道其实际功率需求，而该需求随着环境和UAV条件的变化而动态地改变。在运动规划中，很难准确和及时地将电力供应与电力需求对准。这种不匹配将导致无人机的电力供应不足，并导致延迟的运动调整，大大增加了与障碍物碰撞的风险，从而破坏了无人机的敏捷性。为了提高无人机的敏捷性，提出了一种新型的智能电源解决方案--敏捷性增强电源（AEPS），能够在正确的时间主动准备适量的电源，以支持具有增强敏捷性的运动规划。该方法在物理电源系统和无人机规划之间架起了一座桥梁。通过敏捷性增强的运动规划，可以提高无人机在复杂工作环境中的安全性。为了评估AEPS的有效性，任务的“社区安全巡逻任务”与意外的障碍，采用的电源是由燃料电池，电池和电容器的混合集成实现。结果表明，AEPS系统能够及时成功地为无人机提供电源，提高了任务成功率和系统安全性，缩短了任务持续时间，有效地提高了无人机的敏捷性。
2022-01-08 cs.RO
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
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
Distributed UAV Formation Control Robust to Relative Pose Measurement Noise
Faculty of Electrical Engineering, CTU in Prague（布拉格捷克理工大学电气工程学院）；Mohammed VI Polytechnic University（穆罕默德六世理工大学）
本文提出一种基于图刚性理论的编队控制方法，通过分解梯度下降命令并调整以应对传感器噪声，提升无人机紧密编队的鲁棒性。
2026-03-05 cs.RO
Safe Periodic Trochoidal Paths for Fixed-Wing UAVs in Confined Windy Environments
Autonomous Systems Lab, ETH Zürich（苏黎世联邦理工学院自主系统实验室）；Dufour Aerospace AG（杜福尔航空航天公司）
针对固定翼无人机在受限风场环境中机动性受限的问题，提出了风不变的周期性次摆线路径安全集及切换策略，使山区地形中安全可达的地点数量提升达10倍。
2025-03-02 cs.RO
MonoSpheres: Large-Scale Monocular SLAM-Based UAV Exploration through Perception-Coupled Mapping and Planning
Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（捷克技术大学布拉格分校电子工程系控制系）
本文提出一种基于单目视觉的自主探索方法，通过考虑稀疏单目SLAM前端的特性，实现大规模无结构室内和室外3D环境的安全覆盖，展示了稀疏单目深度数据在考虑视差要求和纹理缺失表面可能性下的前沿探索可行性。
2026-05-13 cs.RO
UGV-Conditioned Multi-UAV Informative Planning on a Shared Exposure Belief
MAVLab, Faculty of Aerospace Engineering, TU Delft（马文实验室，航空航天工程学院，代尔夫特理工大学）
提出一种协调无人机编队降低地面车辆在未知威胁区导航风险的方法，通过共享暴露信念引导感知并减少冗余覆盖，仿真显示累积暴露降低38%，冗余覆盖从38.8%降至3.7%。
2026-10-22 cs.RO
Dynamic Markers: UAV landing proof of concept
IAT TU Darmstadt（达姆施塔特工业大学智能自动化研究所(IAT TU Darmstadt)）
在本文中，我们介绍了一个动态的基准标记，它可以改变其外观，根据时空的要求，移动机器人的视觉感知任务，使用相机作为传感器。我们提出了一种控制方案，以动态地改变标记的外观，以增加检测范围，并确保更好的精度在近距离。标记控件考虑摄像机到标记的距离（影响图像坐标中标记的比例），以选择要显示的基准标记。因此，我们实现了移动机器人的视觉姿态控制和动态基准标记的外观之间的紧密耦合。此外，我们讨论了由于处理时间和机器人和标记之间的通信延迟的时间延迟的实际影响。最后，我们提出了一个实时动态标记视觉伺服控制方案的四轴飞行器着陆和评估的性能在现实世界的例子。
2019-01-09 cs.RO
Multi-UAV Coverage Planning with Limited Endurance in Disaster Environment
Technische Universität München（慕尼黑工业大学）；Tsinghua University（清华大学）；Avic Shenyang Aircraft Design And Research Institute（中国航空工业集团沈阳飞机设计研究所）
对于洪水、地震等场景，受灾面积大，救援时间紧。多无人机探测比单架无人机探测效率更高。现有的无人机探测工作被建模为覆盖路径规划（CPP）任务，以实现在存在障碍物的情况下对该区域的完全覆盖。但无人机续航能力有限，救援时间紧迫。因此，即使使用多架无人机也无法及时实现对灾区的完全覆盖。因此，在本文中，我们提出了一个多智能体的耐力有限CPP（MAEl-CPP）问题的基础上先验热图的灾区，这需要在有限的能量下探索更有价值的地区。此外，我们提出了一个路径规划算法的MAEl-CPP问题，通过排名可能的灾害地区根据其重要性，通过卫星或远程航空图像和完成路径规划的重要性水平。实验结果表明，我们提出的算法是有效的至少两倍，现有的方法在搜索效率。
2022-02-22 cs.MA cs.RO
Global Sensitive-Based Input Shaping for UAV-Payload Precision Motion Control
Louisiana State University（路易斯安那州立大学）；GE Aerospace（GE航空航天公司）
该研究针对无人机-载荷系统，设计基于全局灵敏度和Shapley值的输入整形器控制器，经仿真验证其相比非鲁棒等控制器可提升性能，为航空载荷运输的不确定性感知控制提供新框架。
2026-08-13 cs.RO cs.SY eess.SY
A Novel MDP Decomposition Framework for Scalable UAV Mission Planning in Complex and Uncertain Environments
Control and Instrumentation Department（控制与仪器部门）；Interdisciplinary Research Center for Intelligent Manufacturing and Robotics（智能制造与机器人交叉研究中心）；Interdisciplinary Research Center for Smart Mobility and Logistics（智能移动与物流交叉研究中心）
本文提出了一种新的MDP分解框架，用于在复杂和不确定环境中实现无人机任务规划的可扩展性和容错性。
2025-11-30 cs.RO cs.SY eess.SY
UAV-Supported Maritime Search System: Experience from Valun Bay Field Trials
Faculty of Engineering, University of Rijeka（里耶卡大学工程学院）；Center for Advanced Computing and Modeling, University of Rijeka（里耶卡大学高级计算与建模中心）；Faculty of Mathematics, University of Rijeka（里耶卡大学数学学院）
本文提出了一种结合流场重建、动态建模和多无人机控制的自主海上搜救系统，并通过实地试验验证了其在复杂环境下的有效性。
2026-02-09 cs.RO math.OC
Multi-UAV Active Sensing with Information Gain-based Planning and Belief Fusion
University of California, Berkeley（加州大学伯克利分校）
提出多无人机主动感知框架，利用信息增益路径规划与概率信念融合实现二元地形映射，在合成和真实农业图像上验证，相比随机游走和扫描覆盖降低熵与误差。
2026-06-09 cs.RO cs.SY eess.SY
Robust Attitude Control of Nonlinear UAV Dynamics with LFT Models and $\mathcal{H}_\infty$ Performance
本文研究了在风扰和陀螺噪声下，基于LFT模型和H_∞性能的鲁棒控制器在多旋翼姿态调节中的应用，通过非线性仿真验证了其在恶劣风扰下的优越性能。
2026-03-12 cs.RO cs.SY eess.SY
Coordinated Control of UAVs for Human-Centered Active Sensing of Wildfires
Georgia Institute of Technology（佐治亚理工学院）
扑灭野火是一项不稳定的任务，危及消防员和火灾路径上居民的生命。消防员需要在线动态观察火场，以预测野火的未知特征，如大小、规模和传播速度，并制定相应的计划。在本文中，我们提出了一个分布式控制框架，以协调一队无人机（UAV）的以人为中心的主动感测野火。我们开发了一个基于卡尔曼不确定性残差传播和加权多智能体共识协议的双准则目标函数，使无人机能够主动推断野火动态和参数，跟踪和监测火灾过渡，并使用获取的信息安全地管理地面上的人类消防员。我们评估我们的方法相对于以前的工作，通过减少环境的累积不确定性残差超过$ 10^2 $和$ 10^5 $倍的防火覆盖性能，以支持人类机器人团队消防显着改善。我们还在模拟消防演习中展示了我们在物理机器人上的方法。
2020-06-14 cs.MA cs.RO cs.SY
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
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
Adaptive Second-order Sliding Mode Control of UAVs for Civil Applications
Faculty of Engineering and Information Technology（工程与信息技术学院）；University of Technology Sydney, Australia（悉尼技术大学，澳大利亚）
本文提出了一种自适应二阶准连续滑模控制方案，用于无人机在基础设施监测中的鲁棒姿态控制，通过数学建模和稳定性分析，实现了对噪声和扰动的鲁棒性，并在仿真中验证了其优于实际无人机任务的跟踪性能。
2017-07-31 cs.RO cs.SY eess.SY
Cooperative Multi-Agent Deep Reinforcement Learning for Reliable Surveillance via Autonomous Multi-UAV Control
Korea University（高丽大学）；Mofl Inc.（Mofl公司）；Hallym University（翰林大学）；University of Central Florida（中佛罗里达大学）；Ajou University（亚洲大学）
使用无人机（UAV）进行基于CCTV的监控被认为是智能城市环境中安全的关键技术。本文创建了一个案例，其中的无人机与闭路电视摄像机飞越城市地区的灵活和可靠的监视服务。无人机的部署应覆盖大面积，同时尽量减少重叠和阴影区域，以建立可靠的监视系统。然而，无人机的操作受到高度不确定性的影响，需要自主回收系统。这项工作开发了一种基于多智能体深度强化学习的管理方案，用于智能城市应用中的可靠行业监控。本文采用的核心思想是自主补充无人机的通信不足的网络需求。通过密集的模拟，我们提出的算法优于国家的最先进的算法在监视覆盖范围，用户支持能力和计算成本。
2022-01-15 cs.AI cs.LG cs.RO
