Benchmarking Tether-based UAV Motion Primitives
Texas A&M University（得克萨斯农工大学）
本文提出并测试了两种基于绳系的运动基元，用于绳系无人机在只有本体感觉的情况下执行自主飞行。系留无人机的研究主要是出于动力和安全方面的考虑。系绳要么不包括在无人机的运动中（与自由飞行的无人机一样处理），要么只包括在位置保持和高速稳定飞行方面。然而，来自系绳配置的反馈和对系绳配置的控制可以用作自主飞行的一组导航工具，特别是在GPS拒绝的环境中，并且没有基于视觉的外转。在这项工作中，提出了两个基于绳系的运动原语，它可以使系留无人机的自主飞行。建议的运动原语上实现的物理系留无人机的自主路径执行与运动捕捉地面实况。导航性能进行量化和比较。所提出的运动基元使系留无人机成为一种移动安全的自主机器人平台。基准测试的结果表明，适当的使用这两个运动原语系留无人机与不同的路径规划。
2019-04-16 cs.RO
High-Fidelity Solar Power Income Modeling for Solar-Electric UAVs: Development and Flight Test Based Verification
太阳能模型是太阳能无人机设计和性能分析的重要组成部分。在概念设计阶段，它们的准确性直接关系到预测性能指标的准确性，从而关系到太阳能无人机的最终设计特性。同样，在太阳能无人机的运行阶段，需要准确的太阳能发电收入模型来预测和评估太阳能发电系统的性能。然而，现有的关于太阳能无人机的文献使用高度简化的太阳能模型。因此，本技术报告首先介绍了一种高保真太阳能发电模型，该模型考虑了精确的飞机姿态、飞机几何形状以及影响太阳能发电系统整体效率的温度和太阳辐射入射角等物理效应。其次，模型，需要一个减少的输入数据，因此更适合于太阳能无人机的初始设计阶段，从高保真模型。第三，模型进行了比较，并从28小时连续的白天/夜间太阳能飞行的飞行数据进行验证。结果表明，我们的高保真模型可以预测平均太阳能发电收入，误差小于5%，而以前的模型只能准确到18%左右。
2017-03-21 cs.RO
Edge Computing Assisted Autonomous Flight for UAV: Synergies between Vision and Communications
National University of Defense Technology（国防科技大学）；KU Leuven（鲁汶大学）；Delft University of Technology（代尔夫特理工大学）
无人机的自主飞行依赖于视觉信息来避开障碍物并确保安全无碰撞飞行。除了视觉线索外，安全的无人机通常还需要与地面站的连接。在本文中，我们研究了边缘计算支持的无人机飞行中视觉和通信之间的协同作用。通过提出边缘计算辅助自主飞行（ECAAF）框架，我们说明了视觉和通信可以在边缘计算和卸载的帮助下相互交互和辅助，并进一步加快无人机任务的完成。ECAAF由三个功能组成，详细讨论：用于3D地图采集的边缘计算，从3D地图构建无线电地图，以及在线轨迹规划。在ECAAF期间，通信容量、视频卸载、3D地图质量和轨迹的信道状态的相互作用形成正反馈回路。仿真结果表明，该方法可以通过增强连通性来提高任务性能。最后，我们总结了一些未来的研究方向。
2020-12-10 cs.NI cs.RO cs.SY
The NederDrone: A hybrid lift, hybrid energy hydrogen UAV
TUDelft（代尔夫特理工大学）
许多无人机应用需要垂直起降（VTOL），并结合非常长的航程或续航时间。过渡型无人机已经被提议将直升机的垂直起降能力与固定翼飞机的有效远程飞行特性结合起来。但能源仍然是许多电动长续航应用的瓶颈。虽然太阳能技术和电池技术已经有了很大的改进，但在恶劣的条件下，它们仍然分别缺乏许多现实世界情况所需的功率或能量总量。在本文中，我们介绍了NederDrone，一种混合升力，混合能源氢动力无人机，它可以使用12个螺旋桨进行垂直起飞和降落，同时由于其固定翼而在向前飞行中高效飞行。能量由氢驱动燃料电池的混合提供，以存储大量能量和电池电量，用于高功率情况。氢气储存在一个加压气缸中，无人机围绕该气缸进行优化。本文分析了概念的选择，实施的安全元件，电子和飞行控制，并显示飞行数据，包括3小时38分在海上飞行，启动和降落在一个小的移动船舶。
2020-11-08 cs.RO
Evaluation of Flight Parameters in UAV-based 3D Reconstruction for Rooftop Infrastructure Assessment
Ingenuity Labs Research Institute, Queen's University, Canada（Ingenuity Labs研究机构、女王大学，加拿大）；Department of Civil Engineering, Queen's University, Canada（土木工程系、女王大学，加拿大）；Department of Electrical and Computer Engineering, Queen's University, Canada（电气与计算机工程系、女王大学，加拿大）
本研究系统评估了无人机3D重建中地面采样距离和图像重叠度对屋顶基础设施评估精度的影响，发现0.75-1.26厘米GSD结合85%重叠度可在保证模型精度的同时减少图像采集量和飞行时间。
2025-04-02 cs.CV cs.RO eess.IV
Full 3D Radiation Pattern Approximation in Multi-Rotor UAVs
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）；Mohammed VI Polytechnic University（穆莱·伊沙克·博格达特大学）
提出一种通过校准飞行数据学习异构四旋翼无人机天线辐射模式的方法，利用球谐级数或加权平均建模，并通过线性回归解耦独立无人机的辐射模式，在真实数据集上实现4.56 dB RMS外推误差。
2026-10-23 cs.RO
UAVs and Birds: Enhancing Short-Range Navigation through Budgerigar Flight Studies
American International University-Bangladesh（孟加拉美国国际大学）
本研究通过三维重建分析虎皮鹦鹉起飞、飞行、降落的速度与加速度模式，构建相关数据集，提炼仿生飞行原理以应用于无人机算法，提升无人机短程导航等能力。
2024-07-09 cs.AI cs.CV cs.RO
Energy-aware Multi-UAV Coverage Mission Planning with Optimal Speed of Flight
Czech Technical University in Prague（布拉格捷克技术大学）
本文提出一种多无人机覆盖路径规划方法，通过最优飞行速度和精确能耗估计最小化能耗，在计算时间、能耗效率上优于现有方法，并经双无人机实验验证。
2024-02-16 cs.RO
OA-MPPI: Occlusion-Aware Model Predictive Path Integral Control for UAV Flight
University of California, Berkeley（加州大学伯克利分校）
本文提出OA-MPPI，一种遮挡感知的模型预测路径积分控制方法，通过提取三维遮挡边界并惩罚进入潜在隐藏代理可达区域的轨迹，提升无人机在杂乱环境中的飞行安全性，并在仿真和硬件实验中验证了有效性。
2026-09-25 cs.RO
Flight Structure Optimization of Modular Reconfigurable UAVs
Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院）；State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室）
本文提出一种遗传算法，通过树表示和向量表示优化异构模块化无人机的过驱动飞行结构，在保证轨迹跟踪精度的同时显著降低计算成本。
2024-07-04 cs.RO
Fast and Noise-Resilient Magnetic Field Mapping on a Low-Cost UAV Using Gaussian Process Regression
这项工作提出了一些技术，以提高在无人机上创建磁场地图的能力，这些磁场地图可用于在工作空间中的多个高度处快速可靠地收集磁场观测结果。不幸的是，无人机上的电子设备可能会引入自己的磁场，从而扭曲合成的磁场图。我们展示了减少和处理无人机引起的噪声的方法，以更好地使磁场成为室内导航的传感方式。首先，我们的飞行控制器中的一些增益产生高频电机命令，在测量的磁场中引入大的噪声。接下来，我们实现了一种常见的降噪方法，使磁力计与无人机上的其他组件保持距离。最后，我们介绍了一种折衷的GPR（高斯过程回归）地图，它可以在多次飞行测试中进行训练，以了解无人机观测测试之间的任何逐飞变化。我们调查的空间密度的观察用于训练的GPR地图，然后使用妥协的地图来定义一个一致性测试，可以表明是否磁力计数据和相应的GPR地图是适当的用于状态估计。我们在这项工作中引入的干预措施，促进室内位置定位的无人机，我们发现，估计是相当敏感的无人机产生的噪声。
2023-01-31 cs.RO
A Self-Rotating Tri-Rotor UAV for Field of View Expansion and Autonomous Flight
School of Robotics and Automation, Nanjing University（南京大学机器人学院）
本文提出SPINNER无人机，通过持续旋转扩大摄像头和激光雷达的视野，提升环境感知效率，并实现三维定位和姿态控制。
2026-03-30 cs.RO
CVaR-based Flight Energy Risk Assessment for Multirotor UAVs using a Deep Energy Model
Carnegie Mellon University（卡内基梅隆大学）
能量管理是无人机（UAV）飞行风险评估的一个关键方面，因为飞行期间电池耗尽几乎必然会导致飞行器损坏，并有很高的人身伤害或财产损失风险。预测飞行将消耗的能量是具有挑战性的，因为路线，天气，障碍物和其他因素会影响整体消耗。我们为无人机开发了一个深度能量模型，该模型使用时间卷积网络来捕获时变特征，同时结合静态上下文信息。我们的能量模型是在真实世界的数据集上训练的，不需要将航班分为不同的区域。我们说明了一个改进的功率预测$29\%$在试飞时相比，一个国家的最先进的分析方法。使用能量模型，我们可以预测给定轨迹的能量使用情况，并评估飞行过程中电池耗尽的风险。我们建议使用条件风险价值（CVaR）作为量化这种风险的度量。我们发现，CVaR捕获的风险与最坏情况下的能源消耗的名义路径上的Monte Carlo正向模拟的输出分布转换成一个风险空间。在风险空间分布上计算CVaR提供了一个度量，可以在起飞前评估航班的总体风险。我们的能量模型和风险评估方法可以提高飞行安全性，并评估从建议的起飞位置的覆盖区域。视频和代码库可在https://youtu.be/PHXGigqilOA和https://git.io/cvar-risk上获得。
2021-05-31 cs.LG cs.RO
U2UData+: A Scalable Swarm UAVs Autonomous Flight Dataset for Embodied Long-horizon Tasks
针对现有数据集无法支撑集群无人机完成具身长程（ELH）任务的问题，本文提出大规模集群无人机自主飞行数据集U2UData+及配套可扩展闭环验证平台，提供野生动物保护ELH任务基准。
2025-11-19 cs.AI cs.MA cs.MM
Flight Dynamics-based Recovery of a UAV Trajectory using Ground Cameras
Computer Vision Laboratory, EPFL（洛桑联邦理工学院计算机视觉实验室）；Microsoft Research（微软研究院）
我们提出了一种新的方法来估计飞行物体的6自由度轨迹，如四旋翼无人机在三维空域使用多个固定的地面摄像机监测。它是基于一个新的运动恢复结构制定一个单一的移动点的三维重建与已知的运动动力学。我们的主要贡献是一个新的光束法平差程序，除了优化相机的姿势，正则化的点轨迹使用之前的运动动力学（或特别是飞行动力学）的基础上。此外，我们可以推断出发送到无人机自动驾驶仪的基本控制输入，该输入决定了其飞行轨迹。我们的方法既不需要完美的单视图跟踪，也不需要跨视图的外观匹配。为了鲁棒性，我们允许跟踪器在每个视频中每帧生成多个检测。使用鲁棒的多视图三角测量来估计视频之间的真实检测和数据关联，并随后在我们的光束法平差过程中进行细化。仿真数据的定量评价和室内、室外场景的真实视频实验表明了该方法的有效性。
2017-11-21 cs.CV cs.RO
Real-time Planning of Minimum-time Trajectories for Agile UAV Flight
Czech Technical University in Prague（布拉格捷克技术大学）
本文提出基于点质量模型和迭代推力分解的实时最小时间多航路点轨迹规划方法，结合梯度优化算法在毫秒级生成轨迹，并通过仿真与实飞验证其高速跟踪性能。
2024-09-28 cs.RO
Neural-Geometric Tunnel Traversal: Localization-free UAV Flight with Tilted LiDARs
Centro Universitario de la Defensa, Zaragoza（萨拉戈萨国防大学中心）；Instituto de Investigación en Ingeniería de Aragón（阿拉贡工程研究院）；University of Zaragoza（萨拉戈萨大学）；Investigación en Ingeniería de Aragón（阿拉贡工程研究院）
本文提出一种基于几何和机器学习算法的无人机导航方法，利用倾斜激光雷达信息实现无定位的隧道飞行，通过深度神经网络确定无人机姿态并计算安全路径。
2026-04-29 cs.RO
Navigation and Control of Unconventional VTOL UAVs in Forward-Flight with Explicit Wind Velocity Estimation
针对非常规VTOL无人机前飞问题，提出基于IEKF的紧耦合风速与导航状态估计及SO(3)姿态控制分配方案，蒙特卡洛仿真验证了其鲁棒性。
2024-02-29 cs.RO
Borrowed Eyes: Markerless Nano-UAV Flight with an Active Quadruped Observer
IT University of Copenhagen（哥本哈根信息技术大学）；Helix Lab（Helix实验室）；Novo Nordisk A/S（诺和诺德公司）
本研究提出一种由四足机器人臂载摄像头外部定位纳米无人机的视觉系统，采用感知感知NMPC保持跟踪，实现中位误差59毫米的自主飞行，并具备遮挡鲁棒性。
2026-10-08 cs.RO
Field evaluation and optimization of a lightweight autonomous lidar-based UAV system based on a rigorous experimental setup in boreal forest environments
Finnish Geospatial Research Institute in National Land Survey of Finland（芬兰地理研究 institute 在芬兰国家土地测绘局）
提出标准化实验设置评估自主林下无人机系统，通过轻量级激光雷达四旋翼在北方森林中的93次真实飞行验证，优化后系统在中难度森林中1m/s和2m/s速度下成功率分别为12/15和15/15，在困难森林中为12/15和5/15。
2026-05-27 cs.RO
Modelling and Hovering Stabilisation of a Free-Rotating Wing UAV
Fédération ENAC ISAE-SUPAERO ONERA, Université de Toulouse（图卢兹大学法国民航高等教育联合会 ISAE-苏佩航空航天学院 法国航空航天研究院）；Department of Industrial Engineering, University of Trento（特伦托大学工业工程系）；LAAS-CNRS（法国国家科学研究中心自动化与系统分析实验室）；DTIS, ONERA（法国航空航天研究院 DTIS 部门）
本文提出一种freewing UAV的多体模型以仿真其行为并辅助未来全包线控制律设计，通过原型机实验验证了非线性增量动态逆与比例微分控制器在悬停飞行中的稳定效果。
2024-06-25 cs.RO
FlightForge: Advancing UAV Research with Procedural Generation of High-Fidelity Simulation and Integrated Autonomy
Czech Technical University in Prague（布拉格捷克技术大学）；Faculty of Electrical Engineering（电气工程学院）
FlightForge是一个开源无人机仿真器，通过程序化环境生成和集成高层自主性，解决了现有仿真器环境规模有限、缺乏自主导航能力的问题，支持长航程未知环境飞行测试。
2025-02-07 cs.CV cs.RO
Learning to estimate UAV created turbulence from scene structure observed by onboard cameras
INSA-Lyon（里昂国立应用科学学院）；Université Claude Bernard Lyon 1（里昂第一大学）；Ecole Centrale de Lyon（里昂中央理工学院）；Naver Labs Europe（Naver欧洲实验室）
精确控制无人机飞行需要一个真实的动态模型和来自机载传感器（如无人机、GPS和视觉观测）的准确状态估计。获得精确的动力学模型是非常困难的，因为重要的空气动力学效应很难建模，特别是地面效应和其他干扰。虽然机器学习过去曾被用于估计无人机产生的湍流，但这仅限于平地或弥漫的飞行中空气湍流，两者都没有考虑障碍物。在这项工作中，我们解决了复杂的问题，估计在飞行中的障碍物，特别是复杂的结构在杂乱的环境中所造成的干扰。我们从控制输入和机载摄像机捕获的图像到湍流中学习映射。在一个大规模的环境中，我们训练一个模型，在大量不同的模拟逼真的环境中加载到Habitat.AI模拟器中，并使用动态无人机模型和分析地面效应模型进行增强。我们将模型从仿真转移到真实环境中，并从EuRoC-MAV数据集对真实无人机飞行进行评估，表明该模型具有良好的sim 2 real泛化性能。该数据集一经接受将予以公开。
2022-03-28 cs.RO
Hardware- and Vision-in-the-Loop Validation of Deep Monocular Pose Estimation for Autonomous Maritime UAV Flight
Mechanical and Aerospace Engineering, George Washington University（机械与航空航天工程，乔治华盛顿大学）
提出硬件验证的视觉在环框架，结合深度变换器单目位姿估计器和延迟卡尔曼滤波器，在模拟逼真海上环境中实现自主室内飞行，验证了感知延迟等嵌入式效应。
2026-06-18 cs.AI cs.RO cs.SY
Modelling Power Consumptions for Multi-rotor UAVs
Inner Mongolia University（内蒙古大学）；Chengdu Aircraft Design and Research Institute（成都飞机设计研究所）
无人机具有诸多优点，但其能量有限，影响了其实际应用。因此，对其进行功耗管理，建立相应的功耗模型是非常重要的。然而，现有的研究大多是针对固定翼无人机和单旋翼无人机建立理论功耗模型，或者针对多旋翼无人机建立启发式功耗模型，缺乏严格的数学推导。建立了多旋翼无人机的功率消耗理论模型。具体地说，建立了多旋翼无人机在三种飞行状态下的闭合功耗模型，前飞、垂直上升和垂直下降是通过利用单旋翼无人机和多旋翼无人机在功耗方面的关系而得到的。在此基础上，得到了三维场景下无人机飞行功耗的通用模型。利用大疆M210和DJI Mobile SDK开发的手机应用程序在真实场景下进行了大量实验，验证了模型的正确性和有效性;并通过仿真进一步研究了旋翼数量对无人机功耗的影响。所提出的功耗模型不仅揭示了多旋翼无人机的功耗如何受到各种因素的影响，而且还为引入其他新的应用铺平了道路。
2022-09-09 cs.RO
Towards Robust Optimization-Based Autonomous Dynamic Soaring with a Fixed-Wing UAV
Autonomous Robots Lab, NTNU, Norway（挪威科技大学自主机器人实验室）；Autonomous Systems Lab, ETH Zürich, Zürich 8092, Switzerland（苏黎世联邦理工学院自主系统实验室）；CSIRO Robotics, Data61, QLD 4069, Australia（澳大利亚联邦科学与工业研究组织机器人技术部，Data61）
本文提出一种基于优化的自主动态滑翔框架，通过风场显式表示和经典控制方法实现鲁棒路径跟踪，验证了在风场估计误差下的动态滑翔性能。
2026-04-11 cs.RO
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
No Training, Better Flights: Test-Time Scaled VLMs for UAV Navigation
研究如何将测试时缩放应用于无人机视觉语言导航，通过迭代细化和多标准评分函数，无需额外训练，使冻结模型自我校正，生成更准确可靠飞行计划，实现最优性能。
2026-07-22 cs.CV cs.RO
Think Like a Pilot: Fine-Grained Long-Horizon UAV Navigation
Colab；Beihang University（北航）；Meituan（美团）；National University of Singapore（新加坡国立大学）
提出FLIGHT基准和FLIGHT VLA异步架构，通过低频飞行员推理VLM与高频扩散动作模型解耦，实现无人机长时程语义指令下的平滑连续飞行控制。
2026-06-05 cs.AI cs.CV cs.RO
Aerodynamic Prior-Free Coordinated Trajectory Generation and Tracking Control for a Tail-Sitter UAV
Sun Yat-sen University（中山大学）；Pengcheng Laboratory（鹏城实验室）；Differential Robotics Technology Company, Ltd.（微分机器人科技有限公司）
本文提出一种无需气动先验的尾座式无人机协调轨迹生成与跟踪控制框架，通过相位特定气动建模实现全包线高精度跟踪，并经仿真与实飞验证。
2026-09-11 cs.RO
MPS: A New Method for Selecting the Stable Closed-Loop Equilibrium Attitude-Error Quaternion of a UAV During Flight
Washington State University (WSU)（华盛顿州立大学）；University of Southern California (USC)（南加州大学）
提出模型预测选择（MPS）方法，通过动态切换控制律符号项最小化偏航成本，实时选择无人机稳定闭环平衡姿态误差四元数，百次飞行实验表明其性能指标较基准控制器平均降低60.30%。
2024-09-14 cs.RO cs.SY eess.SY
Implementation of an Onboard Visual Tracking System with Small Unmanned Aerial Vehicle (UAV)
University of North Dakota（北达科他大学）
本文介绍了一种小型无人机上的视觉跟踪系统，该系统能够实现或运行实时的跟踪。跟踪系统在计算上是高效的，并且对于对象或相机的照明变化和旋转是不变的。探测和跟踪是在有效载荷计算机上自主进行的，有两种不同的方法来创建图像块。第一种方法使用在飞行之前用先前的飞行数据创建的存储的图像块来开始检测和跟踪。第二种方法允许地面上的操作员选择无人机要跟踪的感兴趣物体。跟踪系统能够在跟踪失败的事件中重新检测感兴趣的对象。跟踪系统的性能在实验室和无人机的实际飞行中得到了验证。结果表明，该系统可以运行在船上，并跟踪不同的对象集在实时的。
2012-05-25 cs.RO
Design and Control of a Coaxial Dual-rotor Reconfigurable Tailsitter UAV Based on Swashplateless Mechanism
Jinfeng Liang ∗ , Haocheng Guo ∗ , and Ximin Lyu（某机构）
本文提出一种基于无斜盘机构的共轴双旋翼可重构尾座式无人机，通过可收放机翼降低多旋翼模式风扰影响，并优化无斜盘结构以减振，最终经全包线飞行测试验证了稳定飞行性能。
2025-11-06 cs.RO
Attitude- and Cruise Control of a VTOL Tiltwing UAV
IEEE
本文提出了一种过量驱动的垂直起降（VTOL）倾转翼无人机的数学建模、控制器设计和飞行测试方法，通过简化空气动力学和第一原理，建立了能够捕捉关键空气动力学效应的动态模型，包括螺旋桨滑流对机翼的影响和机翼后失速特性。通过优化如功率最优调平等方法解决了无人机的过量驱动问题，并开发了由低层姿态控制器和高层巡航控制器组成的控制系统，通过系统线性化和查找表确定飞行包线内调平的强非线性变化，通过广泛的飞行测试验证了控制系统在所有飞行阶段（悬停、过渡、巡航）的性能。
2019-05-04 cs.RO cs.SY eess.SY
E$^3$-UAV: An Edge-based Energy-Efficient Object Detection System for Unmanned Aerial Vehicles
Yunnan University（云南大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Delaware（特拉华大学）
本文提出E$^3$-UAV系统，通过基于实际飞行数据的能耗模型和轻量级优先级决策算法，动态选择最节能的飞行高度、速度、检测算法和采样率，从而在满足检测需求的同时显著降低无人机目标检测能耗。
2023-12-02 cs.AI cs.CV cs.RO
Onboard UAV State Estimation for Fast Flights Without External Localization Systems: A2RL Drone Racing Finalist Approach
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）
本文提出了一种基于视觉和IMU的无人机快速飞行状态估计方法，通过修正VIO漂移实现高精度状态估计，并在A2RL无人机赛车挑战中取得优异成绩。
2026-10-22 cs.RO
Systematic Online Tuning of Multirotor UAVs for Accurate Trajectory Tracking Under Wind Disturbances and In-Flight Dynamics Changes
Khalifa University（哈利法大学）
近年来，由于无人机航空电子技术和应用领域的发展，对多旋翼无人机（UAV）精确快速轨迹跟踪的需求不断增长。在许多应用中，多旋翼无人机需要在具有挑战性的场景中准确地执行攻击性机动，例如外部风干扰或飞行中有效载荷变化的存在。在本文中，我们提出了一个系统的控制器整定方法的基础上获得的识别结果，最近开发的深度神经网络与改进的继电器反馈测试（DNN-MRFT）算法。我们制定了一个线性等效表示适合DNN-MRFT使用反馈线性化。这种表示使不同的控制器结构和调整设置的分析调查，并捕捉系统的非线性趋势。该方法使设计中性能和鲁棒性的折衷成为可能，便于在不确定环境下无人机控制器的设计。我们证明，我们的方法是自适应和强大的，通过一组实验，保持准确的轨迹跟踪，尽管显着变化的无人机的空气动力学特性和风扰动的应用。由于基于模型的系统设计，它是可能的，以获得低的仿真和实验结果之间的差异，这是有益的潜在使用所提出的方法，实时基于模型的规划和故障检测任务。我们在强风的存在下跟踪侵略性轨迹时获得了$3.59 \; cm$的RMSE，这与最先进的水平相当。
2021-10-11 cs.RO cs.SY eess.SY
UAV-SEAD: State Estimation Anomaly Dataset for UAVs
UAV-SEAD数据集通过真实飞行日志提升无人机状态估计异常检测研究
2026-02-14 cs.RO
FlightAR: AR Flight Assistance Interface with Multiple Video Streams and Object Detection Aimed at Immersive Drone Control
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
本文提出FlightAR界面，将无人机FPV与底部摄像头画面通过AR叠加到头戴显示器，提升飞行员态势感知，并通过NASA-TLX和UEQ评估验证其优于传统FPV护目镜的用户体验。
2024-10-22 cs.RO
Autonomous Control for Orographic Soaring of Fixed-Wing UAVs
Delft University of Technology（代尔夫特理工大学）
提出一种基于目标梯度线（TGL）的固定翼无人机地形风场自主翱翔控制器，通过平衡下沉率与上升气流实现无推力飞行，并验证了其有效性与控制自由度。
2023-05-23 cs.RO
Onboard Wind Estimation for Small UAVs Equipped with Low-Cost Sensors: An Aerodynamic Model-Integrated Filtering Approach
Shenyuan Honors College, Beihang University（北航 Shenyan 勋章学院）；Institute of Unmanned System, Beihang University（北航 无人机系统研究院）；School of Aeronautical Science and Engineering, Beihang University（北航 航空科学与工程学院）
本文提出一种利用低成本传感器估计小型无人机飞行状态和风速的方法，结合扩展卡尔曼滤波和自适应移动平均估计技术，提高了风速估计的准确性和平滑度，通过仿真和飞行测试验证了其有效性。
2026-04-22 cs.RO
NMPP: Nonlinear Model Predictive Planning for Agile UAV Flight in Cluttered Environments
Czech Technical University in Prague（捷克理工大学）
针对杂乱环境中的敏捷无人机飞行，提出非线性模型预测规划（NMPP），将障碍物作为硬约束，提供全状态参考，显著降低跟踪误差并提高飞行成功率。
2026-10-07 cs.RO
Flight Control of Sliding Arm Quadcopter with Dynamic Structural Parameters
University of Cincinnati（辛辛那提大学）
介绍了一种新型四轴飞行器的概念设计和飞行控制器设计。该设计能够在飞行过程中变形无人机的形状，以实现位置和姿态控制。我们考虑的动态重心（CoG），导致连续变化的惯性矩（MoI）参数的无人机在这个设计。这些动态结构参数对系统的稳定性和控制起着至关重要的作用。四轴飞行器臂长是一个可变参数，采用基于姿态反馈的控制律进行驱动。实时计算MoI参数，并将其纳入系统的运动方程中。无人机利用螺旋桨的角运动和可变的四轴飞行器臂长进行定位和导航控制。CoG的运动空间是一个设计参数，它受致动器限制和系统稳定性要求的约束。详细介绍了该系统的运动方程、飞行控制器设计和可能的应用。此外，建议的形状变化的无人机系统的航路点导航任务和复杂的轨迹跟踪的比较数值模拟进行评估。
2020-04-27 cs.RO cs.SY eess.SY
Reinforcement Learning for UAV Attitude Control
Boston University（波士顿大学）
自动驾驶系统通常由提供稳定性和控制的“内环”组成，而“外环”负责任务级目标，例如航路点导航。无人机的自动驾驶仪系统主要使用比例积分微分（PID）控制系统来实现，其在稳定环境中表现出优异的性能。然而，需要更复杂的控制来在不可预测和恶劣的环境中运行。智能飞行控制系统是一个活跃的研究领域，最近通过使用强化学习（RL）解决PID控制的局限性，RL在其他应用中取得了成功，如机器人。然而，以前的工作主要集中在任务级控制器上使用RL。在这项工作中，我们调查的性能和精度的内部控制回路提供姿态控制时，使用智能飞行控制系统的训练与国家的最先进的RL算法，深度确定性梯度政策（DDGP），信任域策略优化（TRPO）和近端策略优化（PPO）。为了研究这些未知因素，我们首先开发了一个开源的高保真仿真环境，通过RL训练飞行控制器对四旋翼飞机的姿态控制。然后，我们使用我们的环境来比较它们的性能的PID控制器，以确定是否使用RL是适当的高精度，时间关键的飞行控制。
2018-04-11 cs.RO
Towards Agile Vision-Based Multi-UAV Flight: Revisiting State Estimation
Czech Technical University in Prague（布拉格捷克理工大学）
针对多无人机敏捷飞行，提出利用视觉检测器提供的倾斜测量进行姿态感知状态估计，通过线性推力约束卡尔曼滤波器，将速度和加速度误差分别降低40%和57%，并实现超过2g加速度的跟踪。
2026-10-01 cs.RO
An improved FastEuler-DLKF small-UAV AHRS algorithm
高精度航姿系统是无人机可靠飞行系统的重要组成部分。针对小型无人机近地导航的应用场景，建立了陀螺仪/加速度计/磁强计的松耦合误差模型，提出了一种改进的FastEuler双层卡尔曼滤波器算法。采用MEMS惯性测量单元（IMU）和磁强计等低成本器件，构建了无人机航姿系统的硬件和软件系统，设计了离线和实时验证平台。并通过仿真和飞行试验分析了无人机姿态的变化。此外，为了消除加速度计中线加速度的有害影响，采用自适应因子对测量噪声协方差进行调整，解决了滚转角和俯仰角的问题。实验结果表明，该算法能够在无人机飞行过程中提供准确的姿态信息，提高了姿态解算的精度和可靠性，消除了陀螺零偏对姿态估计的影响。
2020-02-18 cs.RO
An adaptive recursive sliding mode attitude control for tiltrotor UAV in flight mode transition based on super-twisting extended state observer
Guangdong University of Technology（广东工业大学）
倾转旋翼机具有垂直起降和长航时的特点，在民用和科学研究中有着广泛的应用前景。然而倾转旋翼机不可避免地存在强耦合、非线性和不匹配干扰等问题，这给过渡模态控制器的设计带来了很大的挑战。本文将超扭转扩张状态观测器（STESO）与自适应递推滑模控制（ARSMC）相结合，设计了倾转旋翼飞行器姿态系统过渡模式的STESO-ARSMC（SAC）控制器。首先建立倾转旋翼机六自由度非线性数学模型。其次，状态和干扰估计的STES观测器。第三，ARSM控制器的设计，以实现有限时间收敛。利用李雅普诺夫函数证明了倾转旋翼无人机系统的收敛性。新的方面是，国家的评估被纳入控制规则，以调整中断。当与现有技术相比，在这项工作中提出的控制系统可以大大提高抗干扰性能。最后，仿真实验证明了该方法的有效性。
2021-11-03 cs.RO
Staging energy sources to extend flight time of a multirotor UAV
UC Berkeley（加州大学伯克利分校）
与燃烧燃料不同，电池等能源在消耗后质量不会减少。我们提出了分阶段能源的概念，即分阶段消耗能量并排出使用的阶段，以逐步减少飞行器在飞行中的质量，从而减少功耗，并因此增加飞行时间。飞行时间与能量存储质量的分析表明，多旋翼分级的耐力效益。我们考虑两个具体的问题，在离散分期-最佳顺序的分期给予一定数量的能源，和一个给定的能量存储质量预算到一个给定数量的阶段的最佳分区。然后，我们得出两个连续阶段的情况下-一个内燃机驱动螺旋桨和火箭发动机的结果。值得注意的是，我们表明，由内燃机提供动力的多旋翼飞机具有可实现的飞行时间的上限，独立于可用的燃料质量，但不存在这样的限制火箭推进。最后，我们验证了一个定制的两级电池供电的四轴飞行器的飞行实验的分析。这种四轴飞行器可以使用定制设计的机制在飞行中消耗后弹出电池阶段，并使用下一阶段继续悬停。实验飞行时间与我们的飞行器分析预测的时间吻合得很好。与单级相比，我们在两个阶段使用电池的飞行时间增加了19%。
2020-11-11 cs.RO cs.SY eess.SY
Glove2UAV: A Wearable IMU-Based Glove for Intuitive Control of UAV
Skolkovo Institute of Science and Technology（斯克尔科vo科学与技术研究所）
Glove2UAV是一种基于可穿戴IMU的手套，通过手势实现无人机直观控制，并利用触觉反馈提升飞行安全性。
2026-01-22 cs.RO
Simulation Analysis of Exploration Strategies and UAV Planning for Search and Rescue
University of Turku（图尔库大学）
本文针对无人机搜索与救援中最优飞行模式设计难题，开发了基于ROS、Gazebo、PX4和YOLO的仿真环境，用于模拟不同SAR场景并评估飞行任务在最短时间内实现高召回率检测遇险者的效率。
2023-04-11 cs.RO
FlyMirage: A Fully Automated Generation Pipeline for Diverse and Scalable UAV Flight Data via Generative World Model
State Key Laboratory of Industrial Control Technology, Zhejiang University, Hangzhou 310027, China（浙江大学工业控制技术状态重点实验室，杭州310027，中国）；Differential Robotics, Hangzhou 311121, China（差分机器人，杭州311121，中国）
本文提出FlyMirage，一种完全自动化的生成流程，通过生成世界模型生成大规模、多样化且逼真的无人机视觉-语言导航数据，支持下一代具身导航模型的发展。
2026-09-29 cs.RO
Autonomous Tail-Sitter Flights in Unknown Environments
The University of Hong Kong（香港大学）；Sun Yat-sen University（中山大学）
针对尾座式无人机自主飞行轨迹生成的挑战，本文提出基于优化的轨迹规划框架及EFOPT求解器，实现未知杂乱环境中高速导航，仿真与真实环境实验验证其性能，相关成果开源。
2024-11-26 cs.RO
View Planning and Navigation Algorithms for Autonomous Bridge Inspection with UAVs
Virginia Tech（弗吉尼亚理工学院）
研究了在箱形梁桥环境中使用无人机进行基础设施检测的问题。我们考虑的情况下，无人机需要全面检查箱形梁桥和定位沿桥面时，像GPS和光流的标准方法被拒绝。我们克服箱形梁桥的困难的方法包括创建本地导航例程，一个监督员和一个计划员。本地导航程序使用两个二维激光雷达进行梁和柱飞行。为了在本地导航程序之间切换，我们实现了一个管理器，它指示UAV何时能够在本地导航程序之间切换。最后，我们实现了一个规划器来计算沿着箱形梁桥的路径，这将使无人机的飞行时间最小化。与当地的导航例程，一个主管，和一个规划师，我们构建了一个系统，可以完全和自主检查箱梁桥时，标准方法是不可用的。
2019-10-03 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
