V2X Communication Between Connected and Automated Vehicles (CAVs) and Unmanned Aerial Vehicles (UAVs)
The Ohio State University（俄亥俄州立大学）
地面车辆之间的连通性可以得到利用和扩大，以包括用于协调任务的飞行器。使用V2X通信技术，可以在互联和自动驾驶车辆（CAV）与无人机（UAV）之间建立通信链路。地空通信链路的硬件实现和测试对于实际应用至关重要。建立了两种不同的通信链路，专用短程通信（DSRC）和基于4G互联网的WebSocket通信。这两个链接分别测试静态和动态测试用例。更进一步，这两个链接一起用于称为Quick Clear演示的真实用例场景。目的是首先通过DSRC通信将地面车辆位置信息从CAV发送到UAV。在无人机侧，DSRC调制解调器和树莓派配对计算机之间的连接通过用户数据报协议（UDP）建立，以将CAV位置信息发送到配对计算机。Raspberry Pi处理两种不同的连接，它首先通过传输控制协议（TCP）连接到交通应急管理系统（CMP），将CAV和UAV的位置信息发送给CMP。其次，Raspberry Pi使用WebSocket通信连接到Web服务器，以发送无人机机载相机拍摄的照片。快速清除演示进行了静态测试和动态飞行测试。结果表明，这种通信结构可以用于现实生活中的场景。
2021-09-02 cs.MA cs.RO cs.SY
Detection of Stealthy Adversaries for Networked Unmanned Aerial Vehicles*
Stevens Institute of Technology（史蒂文斯理工学院）
本文针对网络化无人机编队控制中的零动态和隐蔽攻击，提出集中式与分散式观测器检测方法，利用通信拓扑切换和本地测量实现隐蔽入侵检测，并通过实验验证其有效性。
2022-05-22 cs.RO cs.SY eess.SY
A review of Implementation and Challenges of Unmanned Aerial Vehicles for Spraying Applications and Crop Monitoring in Indonesia
Tampere University（坦佩雷大学）；Sampoerna University（桑波尔纳大学）
技术的快速发展使得无人机（UAV）在当今时代变得广为人知。无人机市场也预计将在未来随着相关技术的发展而继续增长。无人机已被用于各个部门，包括畜牧业，林业和农业。在农业应用中，无人机非常能够提高农场的生产力并减少农民的工作量。本文讨论了无人机在农业中的应用，特别是在喷洒和作物监测。本研究探讨了无人机在农业部门实施的紧迫性。本文简要介绍了无人机的发展历史，以描述无人机的发展情况。对无人机的分类也进行了讨论，以区分各种类型的无人机。无人机在喷洒和作物监测中的应用是基于许多科学团体和研究人员先前的研究，这些研究人员正在密切合作，为农业相关问题提出解决方案。此外，无人机应用的局限性也被确定。还介绍了在印度尼西亚实施农业无人机的挑战。
2023-01-01 cs.RO
Architecture for Multi-Unmanned Aerial Vehicles based Autonomous Precision Agriculture Systems
University of Minnesota（明尼苏达大学）；Addis Ababa Institute of Technology (AAiT)（亚的斯亚贝巴理工学院）
本文提出一种多无人飞行器自主精准农业系统架构，涵盖图像处理、路径规划等任务，提供高效端到端解决方案，通过仿真和实地测试验证其鲁棒性和易用性。
2026-03-22 cs.LG cs.MA cs.RO
UAVs Beneath the Surface: Cooperative Autonomy for Subterranean Search and Rescue in DARPA SubT
Czech Technical University in Prague（布拉格捷克理工大学）
本文提出了一种新的方法，自主合作的无人机在搜索和救援行动在地下领域的复杂拓扑结构。作为CTU-CRAS-NORLAB团队的一部分，该系统在DARPA SubT决赛的虚拟赛道中排名第二。与专为虚拟赛道开发的获奖解决方案相比，该解决方案也被证明是一个强大的系统，可用于在现实世界竞争的极端恶劣和受限环境中飞行的物理无人机上部署。所提出的方法可以实现无人机团队的完全自主和分散部署，并实现无缝的模拟到世界的转移，并证明了其在不同环境的可飞行空间中相对于移动性较低的UGV团队的优势。本文的主要贡献是在地图和导航管道。该映射方法采用了新的地图表示--用于高效的风险感知远程规划的SphereMap，用于表面覆盖的FacetMap，以及用于在低带宽通信下允许多机器人合作的压缩拓扑体积LTVMap。这些表示在导航中与用于在一般3D环境中进行可靠性约束的知情搜索的新方法一起使用，而无需对环境结构进行假设，同时平衡深度探索与传感器覆盖开发。所提出的解决方案还包括一个视觉感知管道，用于在没有专用GPU的情况下，以5 Hz的四个RGB流对感兴趣的对象进行板载检测和定位。除了参加DARPA SubT之外，无人机系统的性能还得到了各种环境中大量实验验证的支持，包括定性和定量评估。
2023-02-03 cs.AI cs.MA cs.RO
Companion Unmanned Aerial Vehicles: A Survey
The University of Tokyo（东京大学）
小型无人机（UAV）的最新技术进步导致了伴随UAV的发展。与传统的伴侣机器人类似，伴侣无人机有可能在日常生活中帮助我们，并帮助缓解社交孤独问题。与地面伴侣机器人相比，伴侣无人机具有飞行能力并具有独特的交互特性。我们在这项工作中的目标是有一个鸟瞰的同伴无人机的作品，并确定经验教训和指导方针的同伴无人机的设计。我们解决了实现这些目标的两个主要挑战，我们首先使用协调的方式从三个来源收集高质量的人机交互（HDI）论文，然后建议使用无人机的感知地图来总结当前在HDI方面的研究工作。虽然很简单，但所提出的感知图可以全面地涵盖为实现同伴无人机所做的努力，并连贯地引导我们的讨论。我们还讨论了我们在文献中注意到的模式和在整个审查中吸取的一些教训。此外，我们还推荐了几个值得探索的领域，并提出了一些指导方针，以加强与同伴无人机的人类发展指数研究。
2020-01-14 cs.RO
New Era in Cultural Heritage Preservation: Cooperative Aerial Autonomy
Czech Technical University in Prague（捷克技术大学）
对历史建筑的大型内部进行数字记录是一项令人精疲力竭的任务，因为大多数感兴趣的领域都超出了人类的范围。我们提倡使用多旋翼无人机（UAV）的自主团队，以加快几个数量级的文档编制过程，同时允许可重复，准确和独立于条件的解决方案，能够在很高的高度进行精确的无碰撞操作。所提出的多机器人方法允许在大规模的真实世界的情况下，一个过程以前只适用于小规模的实验室一样的条件下，执行需要动态场景照明的任务。广泛的实验分析范围从单个无人机成像到需要多个无人机精确协调的专门照明技术。该系统的鲁棒性在15个历史古迹的200多个自主飞行中得到了证明，这些历史古迹需要卓越的安全性，同时无法访问外部定位。这一独特的实验活动，与修复者和保护者合作，带来了许多经验教训，可转移到其他安全关键的机器人任务中的文件和检查任务。
2023-03-06 cs.AI cs.MA cs.RO
Robust Cooperative Formation Control of Fixed-Wing Unmanned Aerial Vehicles
Institute for Aerospace Studies, University of Toronto（航空航天研究学院，多伦多大学）
本文研究了固定翼无人机在紧密编队飞行中用于节能的鲁棒协同编队控制问题，提出了一种新的协同控制方法，通过虚拟结构概念解决大规模无人机编队中虚拟领导者设计的难题，并采用协作者滤波器生成平滑的参考信号，同时利用不确定性与扰动观测器补偿气动耦合导致的模型不确定性，最终实现了鲁棒的编队控制。
2019-05-06 cs.MA cs.RO cs.SY
Weight-Based Exploration for Unmanned Aerial Teams Searching for Multiple Survivors
在洪水期间，在尽可能短的时间内找到幸存者是救援队的首要任务。鉴于其在短时间内探索困难地形的能力，无人机（UAV）已成为搜索和救援行动中越来越有价值的辅助工具。传统上，无人机利用详尽的割草机探索模式来定位搁浅的幸存者，而没有关于幸存者下落的任何信息。然而，在现实生活中的灾难场景中，地面观察员为救援工作提供了有价值的信息，例如幸存者最后已知的位置和航向。在早期的工作中，基于重量的探索（WBE）模型，它利用这些信息来生成一个优先级的航路点列表，以帮助无人机在其搜索任务，提出了。这种方法被证明是有效的，为一个单一的无人机定位一个幸存者。在本文中，我们将WBE模型扩展到一个团队的无人机定位多个幸存者。该模型最初使用Voronoi单元在UAV之间划分搜索环境。然后无人机利用WBE模型来定位其分区中的幸存者。我们用不同的幸存者位置和航向来测试这个模型。我们证明了该模型的可扩展性，通过测试模型与空中团队，包括几个无人机。
2020-12-21 cs.RO
aerial-autonomy-stack -- a Faster-than-real-time, Autopilot-agnostic, ROS2 Framework to Simulate and Deploy Perception-based Drones
National Research Council Canada（加拿大国家研究理事会）
本文提出空域自主栈，一个基于ROS2的开源框架，支持快速模拟和部署基于感知的无人机系统，通过统一接口支持PX4和ArduPilot，实现20倍于实时的仿真速度，缩短开发测试周期。
2026-05-02 cs.AI cs.RO cs.SE
Scalable Modular Synthetic Data Generation for Advancing Aerial Autonomy
Cornell University（康奈尔大学）；Microsoft（微软公司）
本文提出可扩展的空中合成数据增强框架ASDA，通过可脚本化的场景与数据增强流水线和统一提示接口，自动生成多样化空中数据集，以平衡泛化性与可扩展性并提升下游性能。
2023-05-26 cs.AI cs.CV cs.GR
Roofline Model for UAVs: A Bottleneck Analysis Tool for Onboard Compute Characterization of Autonomous Unmanned Aerial Vehicles
Harvard University（哈佛大学）；Lawrence Livermore National Lab（劳伦斯利弗莫尔国家实验室）；Google Brain Research（谷歌大脑研究院）
我们介绍了一个早期阶段的瓶颈分析和表征模型，称为F-1设计的计算系统，目标自主无人机（UAV）。该模型通过利用自主无人机中各种组件之间的基本关系提供见解，例如传感器，计算和身体动力学。为了保证安全运行，同时最大限度地提高性能（例如，为了提高无人机的飞行速度，必须仔细选择或设计计算、传感器和其他机械性能。F-1模型提供了可视化的见解，可以帮助系统架构师理解自主无人机的最佳计算设计或选择。利用真实无人机对模型进行了实验验证，与真实飞行试验相比，误差在5.1%~ 9.5%之间。一个名为Skyline的用于F-1模型的交互式网络工具可在以下网址免费使用：~ \url{https://bit.ly/skyline-tool}
2022-04-22 cs.AR cs.RO
Coordinated Coverage and Fault Tolerance using Fixed-Wing Unmanned Aerial Vehicles
University of Hawai‘i at Mānoa（夏威夷大学马诺阿分校）；East-West Center（东西方中心）
本文提出了一种方法，部署和维护一个舰队的同质固定翼无人机（UAV）的所有时间覆盖的一个区域。提出了两种空中盘旋布局方法：正方形布局和六边形布局，并给出了六边形布局在最小化无人机部署数量方面的优势。基于可用的无人机的数量和期望的徘徊高度，所提出的算法解决了一个优化问题，以计算该高度的徘徊圆的中心和徘徊半径。该算法还包括故障恢复能力的情况下，同时多个无人机故障。这些故障可能会在没有总体幸存者信息的情况下在该地区形成幸存者（活动）无人机集群。该算法在较高的高度部署一个具有较大通信能力的超级智能体来恢复故障。超级智能体收集幸存者的信息，并更新同质半径和相同高度的游荡圈的位置，以恢复全覆盖。幸存者的无人机会被告知，并使用杜宾的路径转移到新的游荡圈。已部署的无人机的可回收损失分数的程度的关系进行了分析，为不同的初始游荡半径。仿真结果证明了该方法的适用性，并比较了两种包装方法。
2020-05-17 cs.MA cs.RO
Optimizing UAV Recharge Scheduling for Heterogeneous and Persistent Aerial Service
Universidad CEU San Pablo（圣帕布洛CEU大学）；Universitat Jaume I（海梅一世大学）；IMDEA Networks Institute（IMDEA网络研究所）
本文研究持续空中服务中的无人机充电调度问题，提出同构场景下最优的HORR，并针对异构NP难场景设计基于位置划分、接近下界性能的轻量级PHERR方案。
2022-05-25 cs.RO eess.SP
Design and Control of a Variable Aerial Cable Towed System
École Centrale de Nantes (ECN)（南特中央理工学院）；Laboratoire des Sciences du Numérique de Nantes (LS2N)（南特数字科学实验室）；Centre National de la Recherche Scientifique (CNRS)（法国国家科学研究中心）
空中电缆拖曳系统（Aerial Cable Towed Systems，简称ACATS）是由多个无人机（Unmanned Aerial Vehicles，简称UAV）通过电缆与一个有效载荷连接而成。与从单独的飞行器拖曳物体相比，拖曳系统具有显著的优势，例如更大的有效载荷能力、模块化和对有效载荷姿态的完全控制。然而，它们通常很大，在避免UAV之间碰撞的同时满足几何约束的能力有限。本文介绍了一种新型的变缆长无人机的建模、性能分析、设计和控制器设计，该无人机被称为变缆拖缆系统（Variable Aerial Cable Towed System，VCATS），它是一种嵌入在无人机上的绞盘，用于驱动类似于缆驱动并联机器人的缆长，以增加VCATS的通用性。一般的几何，运动学和动力学模型的Vendor的推导，其次是集中反馈线性化控制器的发展。该设计是基于一个扳手的分析，没有限制电缆通过无人机的质量中心，在目前的工作。此外，性能的VENTS和VENTS的比较表明，增加的多功能性是以有效载荷和配置灵活性为代价的。原型验证了系统的可行性。
2020-01-08 cs.RO cs.SY eess.SY
AirBender: Adaptive Transportation of Bendable Objects Using Dual UAVs
Autonomous and Intelligent Robotics Laboratory (AIRLab)（自主与智能机器人实验室）；Lehigh University（莱斯大学）；Electrical and Computer Engineering Department（电子与计算机工程系）；The University of New Mexico（新墨西哥大学）
本文提出一种自适应控制器，使双无人机在不依赖显式弹性模型的情况下协同运输可弯曲物体，通过Lyapunov分析证明控制器渐近稳定，通过硬件实验验证了多旋翼无人机处理可弯曲物体的能力。
2026-05-07 cs.RO cs.SY eess.SY
Capacity and Delay of Unmanned Aerial Vehicle Networks with Mobility
Beijing University of Posts and Telecommunications（北京邮电大学）；Nanjing University（南京大学）
本文研究了由n架无人机作为空中传感器的无人机网络，针对其移动性和短飞行时间挑战，提出了一种移动性控制方案以消除关键距离范围，使所有无人机的存储-携带-转发（SCF）模式容量缩放律保持一致，并推导了SCF模式的延迟，揭示了无人机移动性和短飞行时间对网络性能的有益影响。
2023-11-25 cs.RO
Autonomous Planning for Multiple Aerial Cinematographers
University of Seville（塞维利亚大学）
提出了一种多无人机户外活动自主媒体制作规划算法。给定由媒体导演指定的拍摄任务，我们制定了一个优化问题，以最大限度地提高拍摄时间考虑电池的限制。由于我们推测该问题是NP难的，我们考虑了离散化版本，并提出了一种基于图的算法，可以找到一个最优的解决方案的离散问题的单无人机在多项式时间。然后，一个贪婪的策略，应用到解决问题的顺序多无人机。我们证明，我们的算法是有效的小团队（3-5无人机），其性能接近最佳。我们展示了我们的系统在现场实验进行实际的媒体生产在户外场景中有多个无人机。
2021-04-08 cs.RO
A New Approach to Complex Dynamic Geofencing for Unmanned Aerial Vehicles
Deloitte LLP（德勤有限责任公司）；Royal Holloway University of London（伦敦大学皇家霍洛威学院）
无人驾驶飞行器（UAV）的预期广泛使用引起了重大的安全和安保问题，包括侵入禁区，与其他UAV相撞，以及扰乱高流量空域。为了减轻这些风险，有人提议将地理围栏作为一道防线，限制无人机飞入其他无人机的周边和受限制的地点。在本文中，我们解决的问题，现有的几何地理围栏算法缺乏准确性，在计算复杂的地理围栏，特别是在动态的城市环境。我们提出了一种基于alpha形状和沃罗诺伊图的新算法，我们使用OpenStreetMap的开源地图数据库将其集成到无人机框架中。为了证明其有效性，我们在现实世界的城市环境中使用微软的AirSim和低成本的商用无人机平台的性能结果。
2021-10-18 cs.CG cs.RO
Optimized Path Planning for Inspection by Unmanned Aerial Vehicles Swarm with Energy Constraints
Georgia Southern University（佐治亚南方大学）；Virginia Tech（弗吉尼亚理工大学）
本文提出一种考虑无人机能量限制的高效路径规划算法，通过优化飞行、悬停和数据传输能耗，降低巡检总时间和能量消耗，为自主巡检系统设计提供指导。
2018-08-17 cs.RO cs.SY eess.SY
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
Do You See What I See? Coordinating Multiple Aerial Cameras for Robot Cinematography
University of São Paulo（圣保罗大学）；Carnegie Mellon University（卡内基梅隆大学）
空中摄影术大大扩展了电影制作人的能力。自主无人机（UAV）的最新进展进一步增加了航空摄像机的潜在影响，其系统可以在非结构化的混乱环境中安全地跟踪行动者。然而，专业制作需要同时使用多个摄像机来记录同一场景的不同视点，这些视点被实时的编辑成最终的镜头，或者在后期制作中。这种极端的动作协调对于无脚本的动作场景来说尤其困难，这是航空相机的常见用例。在这项工作中，我们开发了一个实时的多无人机协调系统，能够记录动态目标，同时最大限度地提高拍摄多样性，避免碰撞和相机之间的相互可见性。我们验证了我们的方法在多个杂乱的环境中的照片逼真的模拟器，并部署系统使用两个无人机在现实世界的实验。我们表明，我们的协调方案具有较低的计算成本，平均只需要1.17毫秒，计划在10秒的时间范围内的3架无人机的团队。补充视频：https://youtu.be/m2R3anv2ADE
2021-03-31 cs.CV cs.MA cs.RO
Towards Aerial Collaborative Stereo: Real-Time Cross-Camera Feature Association and Relative Pose Estimation for UAVs
State Key Laboratory of Mechanical System and Vibration, School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院机械系统与振动国家重点实验室）
针对多无人机协作立体视觉的实时特征关联与相对位姿估计难题，提出带引导-预测结构的双通道特征关联算法和Rel-MSCKF算法，在NVIDIA NX上验证了实时性优势，为城市场景远程障测绘等应用提供研究基础。
2024-12-11 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
On Solving the 2-Dimensional Greedy Shooter Problem for UAVs
University of Minnesota Twin Cities（明尼苏达大学双城分校）；St. Mark’s School of Texas（德克萨斯州圣马可学校）
无人机（UAV）是一种自动制导的飞行器，广泛用于监视和侦察任务。近年来，由于人工智能的许多突破，围绕无人机及其变体的追捕-逃避问题的一个版本已经得到了广泛的研究。提出了一种基于强化学习（RL）的无人机二维空中交战环境下的追逃方法，RL是一种面向目标的机器学习方法。在这项工作中，使用贪婪射手策略的无人机与使用深度Q学习技术训练的无人机进行了互动。仿真结果表明，在初始化过程中无人机充分分离的情况下，后一种无人机赢得了每次交战。这种方法强调了强化学习的详尽和强大的应用，以追求规避，提供洞察无人机飞行和互动的有效策略。
2019-11-02 cs.LG cs.RO stat.ML
Heterogeneous Fixed-wing Aerial Vehicles for Resilient Coverage of an Area
University of Hawai’i at Mānoa（夏威夷大学马诺阿分校）
本文提出了一种分布式的方法来提供持久的覆盖任意形状的区域使用异构覆盖的固定翼无人机（UAV），并恢复从多个UAV的同时故障。所提出的方法讨论了水平均匀部署和维护的固定翼无人机给定的边界信息和最小游荡半径的同质舰队。无人机部署在不同的高度水平，以提供异构的覆盖和感测。在给定最小游荡半径和区域边界的情况下，我们使用一种有效的正方形布局方法来部署无人机。无人机以同步运动的方式在这些包装方块上的圆圈上徘徊，以实现全覆盖目标。一个自上而下的层次结构的正方形包装，其中每个外部广场（超级广场）被划分成四个相等大小的内部广场（子广场），被利用来引入部署的无人机网络的弹性。对于失效的子区域无人机，在考虑有效覆盖的情况下选择替代邻居，并将其部署到更高高度的相应超区域，以恢复全覆盖，并与子区域的覆盖质量进行权衡。这是一种分布式方法，因为所有决策都是在损失区域的近距离内进行的，并且它可以缩放并适应各种大规模区域和UAV配置。仿真结果表明了该方法的有效性。
2020-09-17 cs.RO
UAV-ReID: A Benchmark on Unmanned Aerial Vehicle Re-identification in Video Imagery
Northumbria University（诺森比亚大学）；Durham University（杜伦大学）
随着无人机（UAV）的应用范围越来越广，无人机中断的潜在风险也越来越大。深度学习的最新发展允许基于视觉的反无人机系统使用单个相机来检测和跟踪无人机。然而，单个相机的覆盖范围是有限的，需要多相机配置来匹配相机之间的无人机-一个被称为重新识别（reID）的问题。虽然人们已经对人和车辆的reID进行了广泛的研究，以跨时间和视点匹配对象，但据我们所知，无人机reID还没有研究。无人机的重新识别具有挑战性：它们比行人和车辆小得多，而且它们经常在空中被发现，因此出现在更大的角度范围内。由于目前没有无人机数据集使用多个摄像头，因此我们提出了第一个新的无人机重新识别数据集UAV-reID，以促进这一新兴领域的机器学习解决方案的开发。UAV-reID有两个设置：临时接近评估跨视图的性能以帮助跟踪框架，而大到小评估跨规模的reID性能，并允许在长距离检测到UAV时进行早期reID。我们通过广泛评估不同的reID骨干和损失函数进行基准研究。我们证明，通过正确的设置，深度网络足够强大，可以学习无人机的良好表示，在时间近设置上实现81.9%的mAP，在具有挑战性的大到小设置上实现46.5%的mAP。此外，我们发现，视觉Transformer是最强大的极端变化的规模。
2021-12-02 cs.CV cs.LG cs.RO
A Comprehensive Review on Tree Detection Methods Using Point Cloud and Aerial Imagery from Unmanned Aerial Vehicles
Universiti Sains Malaysia（马来西亚理科大学）
本文综述了基于无人机点云与航空影像的树木检测方法，按LiDAR/DAP和是否使用深度学习分类，统计发现DL方法已成为主流（占45%），为相关研究和农业应用提供指导。
2023-10-07 cs.CV cs.LG cs.RO
SeaDroneSim: Simulation of Aerial Images for Detection of Objects Above Water
University of Maryland（马里兰大学）；University of Maryland Extension（马里兰大学推广部）
针对海洋环境下无人机视觉检测所需真实训练数据获取成本高的问题，研究提出可生成带分割真值的仿真航拍数据集的SeaDroneSim基准套件，仅用其合成数据检测BlueROV便在真实图像上达71 mAP，提供了对应检测基准。
2022-11-18 cs.CV cs.RO
Vision-Based Distributed Formation Control of Unmanned Aerial Vehicles
University of Texas at Dallas（德克萨斯大学达拉斯分校）；Air Force Research Laboratory（空军研究实验室）
我们提出了一种新的控制策略，一队无人机（UAV），自主实现所需的形成，只使用由无人机的机载摄像头提供的视觉反馈。这有效地消除了对全球位置测量的需要。拟议的管道是完全分布式的，并包括一个避免冲突的计划。在我们的方法中，每个无人机从捕获的图像中提取特征点，并在其邻居之间传递其像素坐标和描述符。这些特征点被用于我们的新的姿态估计算法，QuEst，本地化邻近的无人机。与现有的方法相比，QuEst具有更好的估计精度和对特征点退化的鲁棒性。我们在高保真仿真环境中演示了所提出的管道，并表明无人机可以在没有任何基准标记的自然环境中实现所需的编队。
2018-09-01 cs.RO
Deep-Learning-Based Aerial Image Classification for Emergency Response Applications Using Unmanned Aerial Vehicles
KIOS Research and Innovation Center of Excellence（KIOS卓越研究与创新中心）；University of Cyprus（塞浦路斯大学）
配备摄像头传感器的无人机（UAV）能够在偏远和难以进入的地区工作，因此可以为许多应急响应和灾害管理应用提供增强的态势感知。此外，通过利用嵌入式平台和深度学习，无人机可以自主监测受灾地区，实时分析图像，并在存在各种灾害（如倒塌的建筑物，洪水或火灾）时发出警报，以更快地减轻其对环境和人口的影响。为此，本文重点研究了无人机上灾害事件的自动空中场景分类。具体来说，一个专门的航空图像数据库应急响应（AIDER）的应用程序进行了介绍和现有的方法进行比较分析。通过这种分析，开发了轻量级卷积神经网络（CNN）架构，能够在嵌入式平台上高效运行，与现有模型相比，性能提高约3倍，内存需求最小，与最先进的模型相比，精度下降不到2%。这些初步结果为进一步实验提供了坚实的基础，时间航空图像分类，用于使用UAV的应急响应应用。
2019-06-20 cs.CV cs.RO
Energy-Efficient Inference on the Edge Exploiting TinyML Capabilities for UAVs
University of Trento（特伦托大学）
近年来，无人驾驶飞行器（UAV）的扩散急剧增加。无人机可以以可靠和具有成本效益的方式完成复杂或危险的任务，但仍然受到功耗问题的限制，这对飞行时间和完成高能耗任务构成了严重制约。以节能方式为无人机提供先进决策能力的可能性将是非常有益的。在本文中，我们提出了一个实用的解决方案，利用边缘上的深度学习来解决这个问题。开发的系统将OpenMV微控制器集成到DJI Tello微型飞行器（MAV）中。微控制器托管一组支持机器学习的推理工具，这些工具协作以控制无人机的导航并完成给定的任务目标。这种方法的目标是通过OpenMV利用TinyML的新机会主义功能，包括离线推理，低延迟，能源效率和数据安全性。该方法是成功地验证了一个实际的应用程序，包括在拥挤的环境中佩戴防护口罩的人的车载检测。
2021-11-30 cs.LG cs.RO
A Survey on LiDAR-based Autonomous Aerial Vehicles
Mechatronics and Robotic Systems (MaRS) Laboratory, Department of Mechanical Engineering, University of Hong Kong（机械与机器人系统实验室，机械工程系，香港大学）
本综述全面回顾了基于LiDAR的自主无人机在传感器演进、感知、规划、控制及应用方面的最新进展，并指出了现有挑战与未来研究方向。
2025-09-12 cs.RO
A Comprehensive Review of AI-enabled Unmanned Aerial Vehicle: Trends, Vision , and Challenges
University of Kragujevac（克拉古耶瓦茨大学）；American International University-Bangladesh（孟加拉国美国国际大学）；The University of Aizu（会津大学）
本文全面综述了人工智能赋能无人飞行器的发展趋势、未来愿景与挑战，探讨了AI在导航、监测、农业及救援等应用中的作用，并审视了伦理、安全与监管问题，为该变革性领域的进一步研究奠定基础。
2023-10-25 cs.AI cs.RO
AU-AIR: A Multi-modal Unmanned Aerial Vehicle Dataset for Low Altitude Traffic Surveillance
Aarhus University（奥胡斯大学）
安装有摄像机的无人驾驶飞行器（UAV）具有捕获空中（鸟瞰）图像的优势。航空视觉数据的可用性和目标检测算法的最新进展，导致计算机视觉界关注航空图像上的目标检测任务。因此，引入了几个航空数据集，包括带有物体注释的视觉数据。无人机在这些数据集中仅用作飞行摄像机，丢弃关于飞行的不同数据类型（例如，时间、位置、内部传感器）。在这项工作中，我们提出了一个多用途航空数据集（AU-AIR），它具有多模态传感器数据（即，视觉、时间、位置、高度、IMU、速度）。AU-AIR数据集包括用于提取的帧的元数据（即，交通相关对象类别的限界框注释）。此外，我们强调自然和航空图像的背景下，目标检测任务之间的差异。为此，我们在AU-AIR数据集上训练和测试移动物体检测器（包括YOLOv 3-Tiny和MobileNetv 2-SSDLite），这些检测器适用于使用带有UAV的单板计算机进行实时目标检测。由于我们的数据集具有记录数据类型的多样性，它有助于填补计算机视觉和机器人之间的空白。该数据集可在https://bozcani.github.io/auairdataset上获得。
2020-02-03 cs.CV cs.RO
Time-Varying Formation Controllers for Unmanned Aerial Vehicles Using Deep Reinforcement Learning
Electronics Technology, Systems and Automation Engineering Department at the University of Cantabria（坎塔布里亚大学电子技术、系统与自动化工程系）
我们考虑的问题，设计可扩展和便携式控制器的无人机（UAV），以达到尽可能快的时变编队。这份简报证实，深度强化学习可以以多智能体的方式用于驱动无人机到达任何编队，同时考虑到最优性和便携性。我们使用一个深度神经网络来估计一个状态有多好，这样智能体就可以相应地选择行动。该系统用不同的非高维感觉输入进行测试，而神经网络架构、算法或超参数没有任何变化，只是进行了额外的训练。
2017-06-05 cs.RO
Anti-collision Technologies for Unmanned Aerial Vehicles: Recent Advances and Future Trends
Beijing University of Posts and Telecommunications（北京邮电大学）；Peng Cheng Laboratory（鹏城实验室）
无人机在救灾、农业、货物运输等民用领域有着广泛的应用，随着无人机飞行活动的大量进行，旨在避免无人机与其他物体碰撞的防碰撞技术备受关注。防碰撞技术是保证无人机生存力和安全性的重要技术。本文对无人机防撞技术进行了综述。我们首先介绍了无人机安全方面的法律法规，从政策层面防止碰撞。然后，从三个方面回顾了船舶防碰撞技术的发展过程，障碍物感测、碰撞预测和碰撞避免。对各方面的方法进行了详细的综述和比较，分析了各自的优缺点，并从快速障碍物感知和快速无线组网的角度对无人机防撞技术的未来发展趋势进行了展望。最后，对本文进行了总结。
2022-03-01 cs.RO
AerialVLN: Vision-and-Language Navigation for UAVs
University of Adelaide（阿德莱德大学）；Northwestern Polytechnical University（西北工业大学）
本文提出面向无人机室外导航的AerialVLN新任务，构建含25个城市级场景的三维模拟器，并基于CMA给出扩展基线，揭示其与人类表现的显著差距。
2023-08-13 cs.AI cs.CV cs.RO
Aerial Field Robotics
NTNU, Norwegian University of Science and Technology（挪威科技大学）；University of Nevada, Reno（内华达大学里诺分校）；Carnegie Mellon University（卡内基梅隆大学）
本章综述微型飞行器（MAV）在资源受限、碰撞与感知退化条件下的弹性自主导航，梳理关键技术、瓶颈、野外就绪性及未来方向。
2024-01-19 cs.RO
Genetic Algorithm Based System for Path Planning with Unmanned Aerial Vehicles Swarms in Cell-Grid Environments
University of A Coruna（拉科鲁尼亚大学）；Faculty of Computer Science（计算机学院）；CITIC
针对含固定障碍物环境中的多无人机全覆盖路径规划问题，提出一种基于遗传算法的进化计算系统，可在无目标点和额外先验信息下最小化飞行时间与资源消耗。
2024-12-04 cs.AI cs.RO
A Review of Radio Frequency Based Localization for Aerial and Ground Robots with 5G Future Perspectives
Interdisciplinary Center for Security Reliability and Trust (SnT)（安全、可靠性与跨学科研究中心（SnT））；University of Luxembourg（卢森堡大学）；Faculty of Science, Technology, and Medicine (FSTM)（科学、技术与医学学院（FSTM））
本文综述UGV与UAV的基于射频定位方法，按基于测距和指纹识别梳理RF特征与现有技术，并展望5G NR增强定位的研究方向。
2024-12-01 cs.RO
Design Considerations of an Unmanned Aerial Vehicle for Aerial Filming
Fundación Jala（哈拉基金会）；TECNALIA（特克纳利亚研究与技术创新中心）
从空中拍摄体育视频一直是一项艰巨而昂贵的任务，特别是在需要广阔的开放区域进行正常发展或危及人类安全的运动中。最近，出现了一种基于使用无人驾驶飞行器（UAV）的空中拍摄新解决方案，该解决方案比传统的空中拍摄解决方案便宜得多，传统的空中拍摄解决方案需要像直升机这样的传统飞机或复杂的结构来实现广泛的机动性。在本文中，我们描述了设计过程，随后建立一个定制的无人机适合体育空中拍摄。该过程包括需求定义、技术规模和机械、硬件和软件技术的选择，以及整体集成和操作设置。其中一个目标是开发技术，允许建造低成本的无人机，并在实现高水平的灵活性和自动化的同时，为各种使用场景管理它们。这项工作还显示了在无人机的发展过程中发现的一些技术问题以及实施的解决方案。
2022-12-21 cs.RO
Flexible Multi-DoF Aerial 3D Printing Supported with Automated Optimal Chunking
Luleå University of Technology（吕勒奥理工大学）
针对无人机载荷有限、大型结构空中3D打印难度高的问题，提出含最优分块、分配及打印算法的分布式分块打印框架，通过Gazebo仿真验证了其有效性。
2023-08-22 cs.RO
Online Flocking Control of UAVs with Mean-Field Approximation
Indiana University（印第安纳大学）
本文提出了一种基于推理的飞行器集群分布式协同群集控制方法。所提出的方法源于无人机（UAV）的动力学通过限制潜在集的机器人的可行动作空间，从而防止任何无法实现的控制输入被产生，并导致平滑的群集行为。通过使用成对的能量函数建模的代理之间的关系，我们表明，相互作用的机器人群构成马尔可夫随机场。我们的算法建立在平均场近似的基础上，并结合了集体行为规则：凝聚力，分离和速度对齐。我们遵循分布式控制方案，并表明我们的方法可以控制一群无人机的形成和速度的共识，实时避碰。我们验证了所提出的方法与物理无人机和高保真仿真实验。
2023-02-15 cs.RO
Optimal Safety-Aware Scheduling for Multi-Agent Aerial 3D Printing with Utility Maximization under Dependency Constraints
Robotics and AI Group, Luleå University of Technology（机器人与人工智能组，卢勒奥技术大学）
本文提出了一种基于效用最大化的优化框架，用于在依赖约束下实现多智能体空中3D打印的最优安全调度。
2025-12-05 cs.RO
Deployment of Aerial Robots during the Flood Disaster in Erftstadt / Blessem in July 2021
University of Applied Science Gelsenkirchen（盖尔森基兴应用科学大学）；German Rescue Robotic Centre（德国救援机器人中心）；Institute of Fire Service & Rescue Technology, Fire Department of Dortmund（多特蒙德消防局消防与救援技术研究所）
气候变化导致越来越多的极端天气事件，如暴雨和洪水。本技术报告涉及如何使用无人机（UAV）在洪水灾害期间，即2021年7月中欧洪水期间，更具体地说是在Erftstadt / Blessem，更快地向救援指挥官提供最新信息的问题。无人机一方面用于洪水边缘的实时观测和定期检查，另一方面用于系统的数据采集，以便使用运动恢复结构和多视图立体计算3D模型。嵌入在GIS应用程序中的3D模型可作为系统探索和决策支持的规划基础，用于部署额外的小型无人机以及救援部队。无人机通过自主曲折飞行进行的系统数据采集提供了高分辨率图像，这些图像在15分钟内在专门装备的机器人指挥车（RobLW）中计算为周围区域的地理参考3D模型。通过比较连续几天从3D模型中提取的高分辨率高程剖面图，可以看到水位的变化。这些信息使应急管理部门能够计划对建筑物的进一步检查，并在现场寻找失踪人员。
2022-09-07 cs.RO
Towards Reliable Aerial Ground Vehicle Collaboration: An Integrated Planning and Autonomy Framework for Field Deployment
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；DEVCOM Army Research Laboratory（陆军研究实验室）
研究针对无人机长时间任务飞行续航受限问题，提出集成规划与自主框架。通过深度强化学习规划器解决协同路由问题，引入标准化API弥合规划与执行差距，还有轻量级重新规划器，经实验验证系统在动态任务中有强大协同导航和适应性。
2026-07-09 cs.RO
GLIDE: A Coordinated Aerial-Ground Framework for Search and Rescue in Unknown Environments
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
提出GLIDE框架，通过两架无人机与一辆无人地面车协同，实现未知环境中的快速受害者定位和障碍物感知导航，利用角色分离和地形侦察提升救援效率。
2026-06-12 cs.RO
An Efficient Ground-aerial Transportation System for Pest Control Enabled by AI-based Autonomous Nano-UAVs
IDSIA, SUPSI（IDSIA，瑞士应用科学与艺术大学卢加诺分校）；IDSIA, USI（IDSIA，瑞士意大利语区大学）；IIS, ETH Zürich（苏黎世联邦理工学院信息工程与技术研究所）
针对虫害防控需求，提出基于AI自主纳米无人机的地空协同系统，设计轻量CNN与全局+局部A*路径规划，仿真验证可比传统单地面车最多节省20小时工作时间。
2025-02-20 cs.AI cs.RO
Methods for Combining and Representing Non-Contextual Autonomy Scores for Unmanned Aerial Systems
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Persistent Autonomy and Robot Learning (PeARL) lab（持续自主与机器人学习实验室）
本文针对无人机系统提出基于加权乘积法的非上下文自主性评分组合方法，并引入自主性坐标与距离表示，在七个UAS上验证了绝对与相对评分。
2024-06-28 cs.RO
Safe and Stable Teleoperation of Quadrotor UAVs under Haptic Shared Autonomy
Boston University（波士顿大学）；Mechanical Engineering（机械工程学院）
该研究在触觉共享自主框架下，结合控制屏障函数与微分约束提出两种控制-力反馈设计路径，实现四旋翼无人机触觉遥操作的安全稳定，并通过仿真与实体实验验证方法特性。
2024-03-22 cs.RO
Robust Collision-free Lightweight Aerial Autonomy for Unknown Area Exploration
ETRI（韩国电子通信研究院）；KAIST（韩国科学技术院）；NASA-JPL（美国国家航空航天局喷气推进实验室）；California Institute of Technology（加州理工学院）
无碰撞路径规划是在未知环境中进行自主探索的基本要求，特别是在受限空间或障碍物附近时。本研究提出了一种使用小型无人机的自主探索技术。设计了一种基于激光雷达测距的局部端点选择方法，并生成从当前位置到所选端点的路径。采用基于欧氏距离场的网格搜索方法，生成的路径实时显示一致的无碰撞路径。仿真结果一致表明了所提出的路径规划方法的安全性和可靠性。在三个不同的矿井中进行了真实世界的实验，展示了在各种结构条件的环境中成功的自主探测飞行。结果表明，所提出的轻型空中机器人系统的飞行自主框架的高性能。此外，我们的无人机在DARPA地下挑战赛的隧道赛道比赛（第一阶段）中执行自主任务。
2021-03-16 cs.RO
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
Fast-Tracker 2.0: Improving Autonomy of Aerial Tracking with Active Vision and Human Location Regression
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
近年来，一些先进的工作促进了航空跟踪的发展。其中一个代表性的工作是我们以前的工作Fast-tracker，适用于各种具有挑战性的跟踪场景。然而，它有两个主要的缺点：1）过于简单的目标检测，通过使用人工标记和2）之间的矛盾，同时目标和环境感知有限的船上视觉。本文将Fast-tracker中的目标检测升级为基于深度学习和非线性回归的人体目标检测和定位，以解决前一个问题。对于后者，我们在定制的万向节相机上为四旋翼系统配备了360度主动视觉。此外，我们改进了快速跟踪器中的跟踪轨迹规划，通过将遮挡感知机制，生成可观察的跟踪轨迹。全面的实际测试证实了所提出的系统的鲁棒性和实时性。与Fast-tracker的基准比较验证了所提出的系统即使在执行更困难的跟踪任务时也具有更好的跟踪性能。
2021-03-11 cs.RO
