PDSR: Efficient UAV Deployment for Swift and Accurate Post-Disaster Search and Rescue
College of Engineering, Qatar University(卡塔尔大学工程学院)
本研究提出PDSR灾后搜救综合框架,通过部署多层架构的多能力无人机集群,融合多模态感知数据与机器学习,实现受灾区域更快全覆盖与幸存者精准识别,优化灾后搜救效能。
2024-10-30 cs.AI cs.RO cs.SY
HumanDiffusion: A Vision-Based Diffusion Trajectory Planner with Human-Conditioned Goals for Search and Rescue UAV
Skolkovo Institute of Science and Technology(斯克尔科沃科学与技术研究院)
HumanDiffusion通过基于视觉的扩散规划实现无人机在紧急情况中的人类意识导航,具备轻量级、高安全性和高效率的特点。
2026-01-23 cs.AI cs.RO
AutoSOS: Towards Multi-UAV Systems Supporting Maritime Search and Rescue with Lightweight AI and Edge Computing
University of Turku(图尔库大学);Tampere University(坦佩雷大学)
救援船是海上安全和救援行动的主要行为者。与此同时,空中无人机为这一场景带来了显著的优势。本文介绍了AutoSOS项目的研究方向,在那里我们工作的自主多机器人搜索和救援援助平台,能够传感器融合和目标检测在嵌入式设备中使用新的轻量级AI模型的发展。该平台旨在执行侦察任务,使用新型自适应深度学习算法对环境进行初步评估,该算法有效地利用了无人机和救援船上的可用传感器和计算资源。当无人机发现潜在物体时,它们会将传感器数据发送到船只,以提高准确性。实际的抢救和治疗工作由抢救人员负责。无人机将自主重新配置其空间分布,以便在无人机传输信息与船舶之间的直接连接不可用时实现多跳通信。
2020-05-07 cs.LG cs.RO
Deep Reinforcement Learning based Autonomous Decision-Making for Cooperative UAVs: A Search and Rescue Real World Application
School of Science(科学学院);Technology City St George's University of London London, United Kingdom(圣乔治伦敦大学技术学院伦敦英国)
本文提出基于深度强化学习的自主决策框架,用于室内搜索与救援任务,通过APF奖励和图注意力网络实现高效任务分配与导航,实现实时厘米级稳定性,取得竞赛第一名。
2026-02-16 cs.AI cs.RO
Autonomous UAV Navigation for Search and Rescue Missions Using Computer Vision and Convolutional Neural Networks
University of Zagreb(萨格勒布大学)
该研究提出基于ROS2、YOLOv11/YOLOv11-pose、dlib与PD控制的无人机搜救子系统,实现实时人员检测、人脸识别、个体跟踪和安全距离保持。
2025-07-24 cs.RO
Rule-based High-Level Coaching for Goal-Conditioned Reinforcement Learning in Search-and-Rescue UAV Missions Under Limited-Simulation Training
Automation and Robotics Research Group, Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg.(自动化与机器人研究组,安全、可靠性与信任 interdisciplinary centre(SnT),卢森堡大学)
本文提出了一种分层决策框架,结合固定规则的高层顾问和在线目标条件强化学习控制器,通过减少碰撞终止提升早期安全性和样本效率。
2026-04-29 cs.AI cs.LG 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
Task Assignment and Exploration Optimization for Low Altitude UAV Rescue via Generative AI Enhanced Multi-agent Reinforcement Learning
Guangxi University Key Laboratory of Intelligent Networking and Scenario System (School of Information and Communication, Guilin University of Electronic Technology(GUET))(广西智能网络与场景系统重点实验室(信息与通信学院,桂林电子科技大学));College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算机与数据科学学院);School of Architecture and Transportation Engineering, GUET(建筑与交通运输工程学院,GUET);National Engineering Laboratory for Comprehensive Transportation Big Data Application Technology (Guangxi)(综合交通运输大数据应用技术国家工程实验室(广西));Department of Informatics and Communication Engineering, Xiamen University(信息与通信工程系,厦门大学);College of Computer Science and Technology, Jilin University(计算机科学与技术学院,吉林大学);Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University(教育部符号计算与知识工程重点实验室,吉林大学)
本文提出一种结合UAV、GER和飞艇的协作框架,通过Lyapunov优化将动态长期优化问题转化为单时隙问题,并设计HG-MADDPG算法(融合匈牙利算法与GDM的多智能体深度确定性策略梯度),显著提升了任务卸载效率、降低延迟并增强系统稳定性。
2025-07-10 cs.AI cs.LG cs.RO
UAV-Based Search and Rescue in Avalanches using ARVA: An Extremum Seeking Approach
Center for Research on Complex Automated Systems (CASY)(复杂自动化系统研究中心(CASY));Department of Electrical, Electronic and Information Engineering (DEI), University of Bologna(博洛尼亚大学电气、电子与信息工程系(DEI))
这项工作涉及的问题,通过配备ARVA(Appareil de Recherche de Victimes d'Avalanche)传感器的无人机定位被雪崩掩埋的受害者。所提出的控制解决方案是基于“无模型”极值寻求策略,该策略被证明是成功地在受害者位置附近的无人机转向。该算法的有效性和鲁棒性在Gazebo仿真环境中进行了测试,其中一个新的飞行模式和一个新的控制器模块已被实现为著名的PX4开源飞行栈的扩展。最后,为了测试可用性,我们在Pixhawk 2 Cube板上进行了硬件在环仿真。
2021-06-28 cs.RO
Extended Abstract Version: CNN-based Human Detection System for UAVs in Search and Rescue
Vel Tech - Technical University(Vel Tech 技术大学)
提出了一种基于卷积神经网络和四轴飞行器硬件平台的人体搜索和检测方法。预训练的CNN模型应用于Raspberry Pi B,并且在Quadcopter的底部配备了单个摄像头。四轴飞行器采用加速度计-陀螺仪传感器和超声波传感器进行平衡控制。然而,这些传感器容易受到由诸如电动机的振动等驱动力引起的噪声的影响,因此,实施噪声处理。实验证明,该系统在Raspberry Pi B上运行良好,处理速度达到3 fps。
2021-11-04 cs.CV 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
Multi-UAV Search and Rescue in Wilderness Using Smart Agent-Based Probability Models
Loughborough University(拉夫堡大学)
针对野外搜救中生存率随时间下降的问题,提出结合蒙特卡洛模拟与智能体策略的迷路者概率模型,并开发基于动态划分的分布式多无人机滚动时域搜索策略,实验证明其搜索效率优于基准方法。
2024-11-15 cs.MA cs.RO
Fast, Composable Rescue Mission Planning for UAVs using Metric Temporal Logic
University of Maryland(马里兰大学)
我们提出了一种混合的合成方法,用于多旋翼无人机(UAV)在时间关键的搜索和救援场景中的实时任务规划。从一个已知的环境,我们指定的任务使用度量时序逻辑(MTL),并使用混合动力学模型来捕捉各种模式的无人机操作。然后,我们通过利用沿途安全和时间约束的不变性质以及不同的模式(即,(无人机)。对于每个子任务,我们将MTL规范转化为线性约束,并使用混合线性规划(MILP)求解器解决所需路径的相关最优控制问题。通过组合各个最优子路径,递归地构造任务的完整路径。我们通过仿真表明,所得到的次优轨迹满足任务规范,所提出的方法导致显着降低计算复杂性的问题,使之有可能在实时实施。我们提出的方法,确保无人机在任何时候都是安全的,并保证有限的时间任务完成。它也表明,我们的方法很好地扩展了大量的无人机。
2020-09-28 cs.RO cs.SY eess.SY
CNN-based Human Detection for UAVs in Search and Rescue
Vel Tech - Technical University(Vel Tech 技术大学)
无人机(Unmanned Aerial Vehicles,简称UAV)以其机动灵活、障碍物少等特点,替代普通飞行器在搜救领域的应用正在世界范围内得到广泛研究,其主要任务包括搜救两个方面。本文提出了一种方法的第一个任务的搜索和检测受害者使用一种类型的卷积神经网络技术,Single Shot Detector(SSD)模型,与四轴飞行器的硬件平台,一种类型的无人机。研究中使用的模型是一个预先训练好的模型,并应用于测试Raspberry Pi Model B,该模型连接在Quadcopter上,而Quadcopter底部配备了一个摄像头,可以从上方进行搜索和检测。本研究中的四轴飞行器是一个DIY的硬件模型,使用加速度计和陀螺仪传感器和超声波传感器作为平衡控制的必要组件,然而,这些传感器容易受到模型上的驱动力所引起的噪声,如电机的振动,因此,PID控制器的问题,噪声处理的传感器也在论文中提到。实验结果证明,四轴飞行器能够稳定飞行,SSD模型在树莓派Model B上运行良好,处理速度为3 fps,在距离物体1 ~ 20米的范围内检测效果最好。
2021-10-05 cs.CV cs.RO
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
UAV-VLRR: Vision-Language Informed NMPC for Rapid Response in UAV Search and Rescue
Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology(智能空间机器人实验室、数字工程中心、斯克尔科沃科学与技术研究所)
提出融合 VLM、ChatGPT-4o 与带避障 NMPC 的 UAV-VLRR 系统,以自然语言规划搜救任务并安全快速执行,响应速度显著优于自动驾驶仪和人类飞行员。
2025-05-13 cs.RO cs.SY eess.SY
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
Market-Based Replanning for Safety-Critical UAV Swarms in Search and Rescue Missions
KTH Royal Institute of Technology(皇家理工学院);Swedish Defence Research Agency(瑞典国防研究机构);KTH Royal Institute technological Institute(皇家理工学院)
提出一种分布式协调架构IRDS,通过反向拍卖市场机制和几何共识协议,在无人机故障下自主重分配任务,在25%退化下保持93%任务成功率。
2026-06-01 cs.MA cs.RO cs.SY
Real-Time Obstacle Avoidance Algorithms for Unmanned Aerial and Ground Vehicles
本报告针对灾害区域自主导航问题,开发了用于UAV在复杂3D环境中实时安全机动的2D与3D反应式导航策略,并提出UAV与UGV统一控制方法,以提升森林火灾等救援任务的效率与安全性。
2025-06-25 cs.RO cs.SY eess.SY
Vision-Based Autonomous UAV Navigation and Landing for Urban Search and Rescue
ETH Zurich(苏黎世联邦理工学院);University of Freiburg(弗莱堡大学);Toyota Research Institute(丰田研究所)
针对灾后环境无可用地图、现有算法难在废墟上找安全着陆点的问题,提出无需环境先验的高效无人机导航着陆系统,含多因子代价地图着陆检测算法及超120万张图像的合成数据集,经仿真与真实场景验证有效。
2019-09-03 cs.CV cs.RO
UAVs Meet Agentic AI: A Multidomain Survey of Autonomous Aerial Intelligence and Agentic UAVs
Cornell University(康奈尔大学);University of the Peloponnese(希腊伯罗奔尼撒大学)
本文综述智能体无人机的架构、使能技术、七大应用领域、挑战与解决方案,并提出未来发展与治理路线图。
2025-06-08 cs.AI cs.RO
Autonomous Unmanned Aerial Vehicle Navigation using Reinforcement Learning: A Systematic Review
Western University(韦仕敦大学)
在不同的应用中,例如包裹递送、交通监控、搜索和救援行动以及军事战斗中,对使用无人驾驶飞行器(UAV)(被称为无人机)的需求越来越大。在所有这些应用中,无人机都用于自主导航环境-无需人工干预,执行特定任务并避开障碍物。无人机自主导航通常使用强化学习(RL)来实现,其中代理作为某个领域的专家来导航环境,同时避开障碍物。了解导航环境和算法的局限性在选择合适的RL算法有效地解决导航问题中起着至关重要的作用。因此,本研究首先确定了主要的无人机导航任务,并讨论了导航框架和仿真软件。然后,根据无人机导航问题的环境、算法特点、能力和应用,对强化学习算法进行了分类和讨论,为实践者和研究者选择适合无人机导航应用的强化学习算法提供参考。此外,已确定的差距和机会将推动无人机导航研究。
2022-08-25 cs.AI 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
Autonomous UAV Navigation Using Reinforcement Learning
University of Nevada, Reno(内华达大学雷诺分校)
无人飞行器(UAV)通常用于未知环境中的任务,其中环境的精确数学模型可能不可用。本文提供了一个框架,使用强化学习,让无人机在这样的环境中成功地导航。我们进行了模拟和实际实现,以展示无人机如何成功地学习在未知环境中导航。最后,讨论了将强化学习算法应用于无人机系统和无人机飞行控制的技术问题。这将使具有学习能力的无人机能够在更重要的应用中继续进行研究,例如野火监测或搜索和救援任务。
2018-01-16 cs.RO
An LLM-based Framework for Human-Swarm Teaming Cognition in Disaster Search and Rescue
School of Electronics and Information, Northwestern Polytechnical University(电子工程学院,西北工业大学);Chongqing Institute for Brain and Intelligence, Guangyang Bay Laboratory(脑科学与智能研究院,广阳湾实验室)
本文提出基于大语言模型的LLM-CRF系统,通过自然交互捕捉意图并实现任务规划,显著提升灾难救援任务效率与成功率。
2025-11-06 cs.AI cs.RO
Agentic AI Meets Edge Computing in Autonomous UAV Swarms
INRS, University of Québec(INRS大学、魁北克大学)
本文提出利用LLM驱动的代理AI与边缘计算结合,提升无人机群在高风险场景中的自主性和任务效率。
2026-01-20 cs.AI 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
Autonomous Decision Making for UAV Cooperative Pursuit-Evasion Game with Reinforcement Learning
本文提出基于深度强化学习的多无人机协同追逃博弈决策模型,采用多环境异步双深度Q网络与优先级经验回放算法,通过角色与目标分配提升协作能力,仿真验证了自主决策与协作性能。
2024-11-05 cs.AI cs.MA cs.RO
Enhancing Privacy and Security of Autonomous UAV Navigation
University at Buffalo(布法罗大学);IBM Research(IBM研究院)
本文提出结合强化学习与全同态加密(FHE)的端到端安全框架,通过对加密图像执行推理并适配神经网络与OpenAI Gym库,在几乎不损失性能的前提下有效防御窃听、中间人等对抗性攻击,保障自主无人机导航的隐私与安全。
2024-04-26 cs.AI cs.CR 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
Development of a Swarm UAV Simulator Integrating Realistic Motion Control Models For Disaster Operations
University of Nevada, Reno(内华达大学雷诺分校)
无人机的仿真环境对于用户界面的原型设计和培训在现实世界中操作无人机的人员非常有用。这种模拟的实际操作只会提高这种培训的价值。在本文中,我们提出了一个基于模型的航点导航控制器集成到雷诺救援模拟器的目的,在模拟环境中提供一个更逼真的用户界面。我们还提出了这种模拟的潜在用途,即使是现实世界中的无人机操作。
2017-11-01 cs.RO
Transfer Learning-Based Crack Detection by Autonomous UAVs
Middle East Technical University(中东技术大学)
无人机(UAV)最近在建筑物检查中通过自主探索和绘图收集视觉数据方面表现出了出色的性能。然而,考虑到数据的后处理及其与自主无人机的集成,研究的数量有限。这将使建筑物检查的全面自动化迈出巨大的一步。在这方面,这项工作提出了一个决策工具,自主无人机在视觉建筑物检查重访任务。该工具是对预训练的卷积神经网络(CNN)进行微调以进行表面裂纹检测的实现。它提供了一个可选的机制,用于在检查期间重新访问精确位置的任务规划。它被集成到一个四旋翼无人机系统,可以在GPS拒绝的环境中自主导航。无人机配备了机载传感器和计算机,用于自主定位、绘图和运动规划。通过仿真和真实世界的实验测试集成系统。结果表明,该系统实现了在GPS拒绝环境下的裂缝检测和自主导航。
2018-07-31 cs.RO
Roofline Model for UAVs:A Bottleneck Analysis Tool for Designing Compute Systems for Autonomous Drones
提出了一种用于自主式无人机计算系统设计的瓶颈分析工具。该工具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,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,必须仔细设计(或选择)计算、传感器和其他机械性能。我们提出的工具的目标是提供一个可视化的模型,帮助系统架构师了解最佳的计算设计(或选择)的自主无人机。该工具可在此处获得:https://bit.ly/skyline-tool
2022-06-15 cs.RO
Reinforcement Learning-Based Monocular Vision Approach for Autonomous UAV Landing
Software Project Management Research Team, ENSIAS, University Mohammed V(穆罕默德五世大学ENSIAS软件项目管理研究团队)
针对无人机自主着陆依赖复杂深度传感器的问题,提出仅用前置单目相机并结合强化学习估计高度与深度的方法,经仿真和实验验证可实现鲁棒精确着陆。
2025-05-11 cs.AI cs.CV cs.RO
Autonomous UAV Navigation: A DDPG-based Deep Reinforcement Learning Approach
Stevens Institute of Technology(斯蒂文斯理工学院);University of Carthage(迦太基大学)
在本文中,我们提出了一个自主无人机路径规划框架,使用深度强化学习方法。其目标是采用一个自我训练的无人机作为一个飞行的移动单元,以达到空间分布的移动或静态目标在一个给定的三维城市区域。在该方法中,设计了一个具有连续动作空间的深度确定性策略梯度(DDPG)来训练无人机穿越障碍物到达指定目标。设计了一个自定义的奖励函数,以最小化无人机与其目的地之间的距离,同时惩罚碰撞。数值模拟研究了无人机在学习环境和自主确定不同选定场景的轨迹方面的行为。
2020-03-21 cs.AI cs.LG cs.RO
HUNT: High-Speed UAV Navigation and Tracking in Unstructured Environments via Instantaneous Relative Frames
New York University(纽约大学);University of California Berkeley(加州大学伯克利分校)
提出HUNT框架,利用瞬时相对帧统一搜索与跟踪,实现高速飞行和鲁棒自主性。
2026-05-29 cs.CV cs.LG cs.RO
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
Enhancing UAV Search under Occlusion using Next Best View Planning
Swarm Exploration Group, Department of Communication Systems, Institute for Communications and Navigation, German Aerospace Center (Deutsches Zentrum für Luft- und Raumfahrt, DLR)(德国航空航天中心(德意志航天中心))
本文提出了一种基于可见性启发式的优化方法,用于提升遮挡环境下的无人机搜索效率,通过选择最佳视角提高隐蔽物体的检测率。
2025-11-23 cs.CV 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
Object Detection and Tracking with Autonomous UAV
Huawei Turkey R&D Center(华为土耳其研发中心);Istanbul University – Cerrahpasa(伊斯坦布尔大学-塞拉赫帕萨分校)
本文以作战无人机为研究对象,建立了作战无人机的仿真模型.旋翼无人机成功地执行了各种任务,如锁定目标,跟踪,并与周围车辆共享相关数据。采用了不同的软件技术,如API通信、地面控制站配置、自主运动算法、计算机视觉和深度学习。
2022-06-26 cs.CV cs.RO
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
NEUSIS: A Compositional Neuro-Symbolic Framework for Autonomous Perception, Reasoning, and Planning in Complex UAV Search Missions
Faculty of Information Technology, Monash University(莫纳什大学信息技术学院)
针对复杂环境下无人机自主搜索任务的感知决策难题,提出组合式神经符号框架NEUSIS,整合多模块实现高效搜索,实验验证其性能优于现有最优模型。
2024-09-16 cs.AI cs.CV cs.RO
Autonomous Strike UAVs for Counterterrorism Missions: Challenges and Preliminary Solutions
Old Dominion University(奥多明尼昂大学)
本文研究自主打击无人机执行反恐任务的可行性,系统梳理实施挑战并提出初步技术方案,同时推导任务成功概率的解析表达式及训练用机器学习模型。
2024-03-01 cs.LG cs.RO
AutoPilot: Automating SoC Design Space Exploration for SWaP Constrained Autonomous UAVs
Harvard University(哈佛大学);ARM Research(ARM研究院);Google Brain Research(谷歌大脑研究院)
由于缺乏设计机载计算的系统方法,为自主无人机(UAV)构建特定领域的加速器具有挑战性。平衡UAV的计算系统需要考虑网络(例如,传感器速率,计算性能)和物理(例如,有效载荷重量)影响整体性能的特性。在许多组件选择上进行迭代会导致可能组合数量的组合爆炸:从数十万到数十亿,具体取决于实现细节。手动选择这些组件的组合是繁琐且昂贵的。为了有效地导航{信息物理设计空间},我们引入了\emph{AutoPilot},一个自动化全系统无人机协同设计的框架。AutoPilot使用贝叶斯优化来导航大的设计空间,并自动选择自主算法和硬件加速器的组合,同时考虑其他网络和物理无人机组件的交叉产品效应。我们表明,在一系列代表性场景(三种不同的无人机类型和三种部署环境)中,AutoPilot方法始终优于Xavier NX和Jetson TX 2等通用硬件选择,以及为自主无人机构建的专用硬件加速器。AutoPilot生成的设计使纳米、微型和小型无人机的任务数量平均分别增加了2.25倍、1.62倍和1.43倍。我们的工作表明,需要整体的全无人机协同设计,以实现最大的无人机整体性能,并需要自动化流程,以简化自主网络物理系统的设计过程。
2021-09-10 cs.AI cs.AR cs.LG
Advanced Algorithms of Collision Free Navigation and Flocking for Autonomous UAVs
无人驾驶飞行器(UAV)对于包括农业、建筑、采矿、环境监测等在内的许多军事和民用应用已经变得非常流行。UAV的期望特征是能够以最少的人为交互自主地导航和执行任务。这是一个非常具有挑战性的问题,因为有几个因素,如无人机应用的高度复杂性,在恶劣环境中的操作,有限的有效载荷和机载计算能力以及高度非线性动力学。本报告中提出的工作有助于无人机控制的最新水平,以实现多无人机系统的安全自主导航和运动协调。本报告的第一部分涉及单无人机系统。解决了在未知/动态环境中的三维(3D)无碰撞导航的复杂问题。为此,先进的3D反应控制策略的开发采用感测和避免范例,以产生快速反应周围的障碍。一个特殊的情况下,在三维未知的封闭环境(即隧道)的导航也得到了解决。在设计中考虑了一般的三维运动学模型,这使得这些方法适用于除了水下航行器之外的不同类型的无人机。此外,不同的实现方法与四旋翼型无人机的控制设计中考虑无人机的动力学也进行了研究。实际的实验和仿真进行了分析所开发的方法的性能。本报告的第二部分涉及多无人机系统的安全导航。研究了多无人机编队飞行和三维区域覆盖的分布式运动协调方法。这些方法为大规模系统提供了良好的计算成本。考虑到系统具有不同的尺寸,进行了仿真,以验证这些方法的性能。
2021-10-30 cs.AI cs.RO cs.SY
LAEI: Layered Autonomous Edge Intelligence Framework for Robust UAV Swarm Operations
Korea University(高丽大学)
提出分层自主边缘智能框架,通过机载学习策略与轻量级任务级监督结合,实现无人机蜂群在通信受限、环境不确定和组件故障下的可扩展协调,显著降低任务完成时间并提高效率。
2026-06-08 cs.RO
U2UData: A Large-scale Cooperative Perception Dataset for Swarm UAVs Autonomous Flight
Tsinghua University(清华大学);Beijing Film Academy(北京电影学院)
本文提出了首个面向集群无人机自主飞行的大规模协同感知数据集U2UData,基于真实世界映射的仿真环境U2USim构建,包含多传感器数据与环境参数,并引入协同3D检测与跟踪任务及全面基准测试。
2024-08-28 cs.RO
UAV/UGV Autonomous Cooperation: UAV Assists UGV to Climb a Cliff by Attaching a Tether
University of Tokyo(东京大学)
提出了一种新的无人机与地面无人机的协同控制系统,该系统将无人机作为飞行传感器和系绳连接装置。两个机器人用系绳连接,允许无人机将系绳固定在位于陡峭地形顶部的结构上,UGV无法到达。因此,不仅通过提供更大范围的空中扫描和测绘,而且通过允许UGV在系绳缠绕的情况下爬上陡峭的地形,来增强UGV的较差的可通行性。此外,我们提出了一个自主框架的协同导航和系绳附着在一个未知的环境。无人机采用视觉惯性导航与三维体素映射和避障规划。UGV利用体素地图并生成高程地图以基于可通行性分析执行路径规划。此外,我们从多个角度比较了系绳锚固可能方法的优缺点。为了增加锚定成功的概率,我们用实验来评估锚定策略。最后,我们提出的系统的可行性和能力证明了在现场的障碍和悬崖的自主任务实验。
2019-03-12 cs.RO
New Location Science Models with Applications to UAV-Based Disaster Relief
本文提出了一种新的数学框架,用于确定无人机救援任务中移动基站的最佳位置,考虑风影响和无人机异质性,以提高灾害响应效率。
2025-12-17 cs.RO math.OC
Design and Structural Validation of a Micro-UAV with On-Board Dynamic Route Planning
National Institute of Technology, Tiruchirappalli(蒂鲁吉拉帕利国立技术学院)
本文针对两公斤以下低成本无人机结构脆弱与无法动态重规划路径的问题,设计了一款全定制、模块化、低成本的微型无人机,通过加固结构和开源软件实现实时感知与自适应导航,为搜救任务提供实用方案。
2025-10-24 cs.CE 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
Thermal and Visual Tracking of Photovoltaic Plants for Autonomous UAV inspection
University of Genova(热那亚大学);JPDroni S.r.l.(JPDroni有限责任公司)
由于光伏(PV)发电厂需要定期维护,因此使用无人机(UAV)进行检查有助于降低成本。目前,光伏装置的热检测和目视检查是基于无人机摄影测量。配备全球定位系统(GPS)接收器的无人机被分配了一个飞行区:无人机将来回覆盖它,以收集图像,然后将其合成在一个正交气象仪中。UAV通常在地面以上的高度飞行,该高度适于确保即使在存在GPS定位误差的情况下图像也重叠。然而,这种方法有两个局限性。首先,它需要覆盖整个飞行区,包括光伏组件行之间的“空”区域。第二,在地面以上的高空飞行限制了以后要检查的图像的分辨率。本文提出了一种新的方法,使用一个自主的无人机配备了一个RGB和一个热摄像机的光伏组件跟踪。无人机沿着光伏组件排移动,高度低于正常高度,并通过忽略没有光伏组件的“空”区域,以迂回的方式来回检查光伏组件。在模拟和实际光伏发电厂进行的实验测试报告。
2022-10-11 cs.RO
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
Autonomous Wall Building with a UGV-UAV Team at MBZIRC 2020
University of Bonn(波恩大学)
用机器人建造大型结构是一项具有挑战性的任务,具有许多潜在的应用,需要移动操作能力。我们为2020年穆罕默德·本·扎耶德国际机器人挑战赛开发了两个自动墙壁建造系统。这两个系统都能自主感知环境,找到砖块,并构建预定义的墙壁结构。UGV使用基于3D激光雷达的感知系统,可以高精度地测量砖块的姿态,而UAV使用基于摄像机的实时系统进行视觉伺服。我们报告了我们成功参加MBZIRC 2020总决赛的结果和见解,额外的实验室实验,并讨论了从比赛中吸取的经验教训。
2020-11-03 cs.RO