Monocular Trail Detection and Tracking Aided by Visual SLAM for Small Unmanned Aerial Vehicles
Instituto de Telecomunicações（电信研究所）；ISCTE-Instituto Universitário de Lisboa（里斯本大学学院）；CTS-UNINOVA
本文介绍了一种单目视觉系统，该系统易于安装在为在森林环境中执行任务而建造的小型和中型无人驾驶飞行器中（例如，搜索和救援）。所提出的系统扩展了以前的单目为基础的技术的线索检测和跟踪，以考虑到从视觉SLAM算法获得的体积数据，因此，增加其坚固性具有挑战性的线索。实验结果，通过一组12个视频记录与安装在远程操作，无人驾驶小型飞行器的摄像头，显示所提出的系统，以克服一些困难的原始检测器的能力，达到成功率为$97.8\,\%$。
2018-06-21 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
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
Unmanned Aerial Vehicle Instrumentation for Rapid Aerial Photo System
School of Electric Engineering and Informatics Institut Teknologi Bandung（万隆理工学院电气工程与信息学院）
这项研究将提出一种新的相对低成本的自主无人机，使农民能够及时制作他们作物的航空照片马赛克。这些航空照片镶嵌图应能够以相对较低的成本和在获取限制的24小时内制作。自主无人机将配备专门为快速航空测绘开发的有效载荷管理系统。如前所述，周转时间是关键因素，因此精度不是主要关注点（不是正射校正航空制图）。该系统还将配备专门的软件对航空照片进行后期处理，以生成镶嵌航空照片地图
2008-04-24 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
Design, Integration and Sea Trials of 3D Printed Unmanned Aerial Vehicle and Unmanned Surface Vehicle for Cooperative Missions
The University of Manchester（曼彻斯特大学）；Cardiff University（卡迪夫大学）
近年来，无人水面航行器（USV）已被广泛部署用于海上应用。然而，USV具有有限的探测范围，传感器安装在与目标相同的高度。在本研究中，我们提出一个无人机-无人水面车（UAV-USV）的合作平台，以提高USV的探测范围。设计并3D打印了一种可漂浮和防水的无人机，使其能够在海上降落。还开发了双体船USV和着陆平台。为了使无人机在各种光照条件下精确着陆在无人艇上，分别在无人机和无人艇上实现了红外信标探测器和红外信标。最后，提出了一种两阶段无人机精确着陆方法、无人机控制算法和无人机路径跟踪算法，并进行了仿真验证。
2021-02-23 cs.RO cs.SY eess.SY
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
Research on Inertial Navigation Technology of Unmanned Aerial Vehicles with Integrated Reinforcement Learning Algorithm
Xuhai College of China University of Mining and Technology（中国矿业大学徐海学院）
本研究提出一种基于强化学习的DQM算法，通过设计状态空间与调整机制优化无人机惯性导航系统，有效降低了动态环境下的累积误差，为无人机自主导航奠定了基础。
2023-07-26 cs.RO
Contextual Autonomy Evaluation of Unmanned Aerial Vehicles in Subterranean Environments
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
在本文中，我们专注于机器人的上下文自主性的评价。更具体地说，我们提出了一个模糊的框架来计算一个小型无人机系统（sUAS）执行任务的自主性得分，同时考虑任务的复杂性和环境因素。我们的框架是一个级联的模糊推理系统（cFIS）组成的组合，代表不同的上下文自治能力的三个FIS。我们进行了几个实验，以测试我们的框架在各种情况下，如耐力时间，导航，起飞/降落，房间清理，与七个不同的SUAS。我们引入了一个预测措施，提高了以前的预测措施，允许以前的现实世界的任务性能，用于预测未来的任务性能。
2023-01-06 cs.RO
Optimized and Trusted Collision Avoidance for Unmanned Aerial Vehicles using Approximate Dynamic Programming (Technical Report)
Stanford University（斯坦福大学）
将无人驾驶飞行器安全地纳入民用空域取决于可靠的防撞系统的开发。本文提出了一种方法，即一个参数化的决议逻辑，被认为是可信的一个给定范围内的参数是自适应调整在线。具体来说，解决潜在的保守性的决议逻辑与静态参数，我们提出了一个动态规划的方法来适应参数动态的基础上遇到的状态。我们计算的适应政策离线使用基于模拟的近似动态规划方法，可容纳的高维问题。数值实验表明，这种方法提高了安全性和操作性能相比，基线分辨率逻辑，同时保持可信度。
2016-02-19 cs.RO
Car Detection using Unmanned Aerial Vehicles: Comparison between Faster R-CNN and YOLOv3
Prince Sultan University（苏丹王子大学）；University of Carthage（迦太基大学）；Gaitech Robotics（盖泰克机器人公司）；Polytechnic Institute of Porto（波尔图理工学院）；Al-Imam Mohamed bin Saud University（伊玛目穆罕默德·本·沙特伊斯兰大学）
无人驾驶飞行器越来越多地用于监视和交通监测，这要归功于它们的高机动性和覆盖不同高度和位置的能力。其中一个主要挑战是使用航空图像准确检测汽车并实时计数，以实现交通监控目的。最近提出了几种基于卷积神经网络（CNN）的深度学习技术，用于计算机视觉中的实时分类和识别。但是，它们的性能取决于使用它们的场景。在本文中，我们研究了两个国家的最先进的CNN算法，即更快的R-CNN和YOLOv 3的性能，在汽车检测的背景下，从航空图像。我们在从无人机获取的大型汽车数据集上训练和测试了这两个模型。我们在本文中证明了YOLOv 3在灵敏度和处理时间方面优于Faster R-CNN，尽管它们在精度指标上相当。
2018-12-28 cs.CV cs.LG cs.RO
A Distributed Control Framework for a Team of Unmanned Aerial Vehicles for Dynamic Wildfire Tracking
University of Nevada（内华达大学）；NASA Ames Research Center（NASA艾姆斯研究中心）
野外火灾扑救是一项危险性很大的工作，对火场前沿信息的缺乏是导致火灾事故的主要原因之一。利用无人机（UAV）对森林火灾进行跟踪，可以代替人工进行危险火灾的跟踪，节省大量的作业成本，具有广阔的应用前景。在本文中，我们提出了一个分布式控制框架，设计了一个团队的无人机，可以密切监测野火在开放空间，并精确地跟踪其发展。无人机团队灵活部署，可以有效避免飞行中的碰撞，并与其他邻居进行良好的合作。实验结果表明，无人机小组在覆盖蔓延的野火的能力。
2017-04-09 cs.RO
Automated Cinematography with Unmanned Aerial Vehicles
Technicolor France（法国特艺集团）
无人机的兴起及其在电影业中的日益广泛的使用要求创造专用工具。虽然有一系列技术可以自动控制无人机用于各种应用，但没有人考虑过实时产生电影摄影机运动的问题。在本文中，我们提出了我们的无人机导航自主电影摄影的方法。这项研究的贡献是双重的：（i）我们适应虚拟摄像机控制技术无人机导航;（ii）我们引入了一个独立于无人机的平台，用于集成电影摄影知识的高级用户交互。本文中提出的结果表明，我们的工具捕捉现场电影场景，涉及一个或两个移动的演员的能力。
2017-12-12 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
A Grammar for the Representation of Unmanned Aerial Vehicles with 3D Topologies
UC Berkeley（加州大学伯克利分校）；Washington University in St. Louis（圣路易斯华盛顿大学）
我们提出了一个上下文敏感的语法系统的探索3D机器人的拓扑结构的设计空间，特别是无人机。它定义了产生式规则，用于将元件添加到在三维网格上建模的不完整设计拓扑中。规则是地方性的。语法很简单，但能够建模大多数现有的无人机以及新的。它可以很容易地推广到其他机器人平台。它可以被认为是任何设计探索和优化算法的构建块。
2023-02-27 cs.AI cs.FL cs.RO
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
Autonomous Reflectance Transformation Imaging by a Team of Unmanned Aerial Vehicles
Czech Technical University in Prague（布拉格捷克理工大学）
本文介绍了一种由多旋翼无人机实现的反射变换成像技术，重点是在难以进入的建筑物中进行部署。RTI是一种计算摄影方法，可以捕捉物体的表面形状和颜色，并在软件查看器中从任何方向进行交互式重新照明，揭示肉眼不可见的细节。RTI的输入是由静态相机捕获的一组图像，每个图像都在来自不同已知方向的照明下。我们提出了一种创新的方法，应用两个多旋翼无人机在人们难以接近或甚至无法接近的位置执行此扫描程序。该系统的设计是为了在具有无价历史价值的历史建筑中的真实场景中安全部署。
2023-03-02 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
Visual Servoing of Unmanned Surface Vehicle from Small Tethered Unmanned Aerial Vehicle
Texas A&M University（德克萨斯A&M大学）
本文提出了一种算法和实现的运动模式，以帮助视觉定位子系统的正在进行的EMILY项目在得克萨斯州A和M大学。EMILY项目旨在将无人水面车辆（USV）与无人航空器（UAV）合作，以在紧急响应阶段加强海上伤亡人员的搜索和救援。USV被设计成一旦到达受害者就作为漂浮装置。来自UAV的实时视频馈送被提供给应急响应人员，使他们对USV的方向和位置进行视觉估计，以帮助其导航。使用USV无人机团队进行伤亡响应的挑战之一是同时控制USV并对其进行跟踪。在本文中，我们提出了一种实现无人机摄像机运动自动化的解决方案，以始终保持USV在视野中。所提出的运动模式使用来自视觉定位子系统的USV坐标来控制UAV的摄像机运动，并以最小的摄像机运动来跟踪USV，使得USV总是在摄像机视场中。
2017-10-09 cs.CV 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
Rapid Uncertainty Propagation and Chance-Constrained Path Planning for Small Unmanned Aerial Vehicles
University of Michigan（密歇根大学）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）
随着未来几年国家空域中小型无人机系统（sUAS）的数量预计将增加，人们对能够处理该航空部门需求的交通管理系统的兴趣越来越大。预计这样的系统将涉及轨迹预测、不确定性传播和路径规划算法。在这项工作中，我们使用线性协方差传播结合基于二次规划的碰撞检测算法，以快速验证申报的飞行计划。此外，这些算法结合了动态，知情RRT* 算法，从而在计算效率的算法的机会约束的路径规划。固定翼和四旋翼无人机模型的详细数值例子。
2019-11-06 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
Quantitative Data Analysis: CRASAR Small Unmanned Aerial Systems at Hurricane Ian
Texas A&M University（德克萨斯农工大学）；Florida State University（佛罗里达州立大学）
本文分析飓风伊恩中10种型号sUAS的281次架次飞行及故障，指出其创纪录的灾害应用规模，并总结改进大规模灾害响应的潜在方向。
2023-10-16 cs.RO
A Distributed Control Framework of Multiple Unmanned Aerial Vehicles for Dynamic Wildfire Tracking
University of Nevada, Reno（内华达大学里诺分校）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）
野外灭火是一项危险的工作。消防队员的一项关键任务是观察“火灾前线”，以绘制火灾的进展情况和下一步可能蔓延的地区。火灾前沿信息的缺乏导致了许多事故。使用无人机（UAV）来覆盖野火是有希望的，因为它可以取代人类进行危险的火灾跟踪，并显着降低运营成本。在本文中，我们提出了一个分布式控制框架，设计了一个团队的无人机，可以密切监测野火在开放空间，并精确地跟踪其发展。为灵活部署而设计的无人机团队可以有效避免飞行中的碰撞，并与邻居进行良好的合作。它们可以保持一定的高度水平到地面上的安全飞行以上的火灾。实验结果进行，以证明无人机队在覆盖蔓延的野火的能力。
2018-03-20 cs.RO
A Real-time Control Approach for Unmanned Aerial Vehicles using Brain-computer Interface
Indian Institute of Science（印度科学学院）
脑机接口（BCI）是一项近四十年历史的技术，它的开发完全是为了开发和增强神经修复术的影响。然而，最近，随着非侵入式脑电图（EEG）耳机的商业化，该技术已经出现了各种各样的应用，如家庭自动化，轮椅控制，车辆转向等，最新开发的应用之一是意念控制的四旋翼无人机。然而，这些应用不需要非常高速的响应，并且当标准分类方法如支持向量机（SVM）和多层感知器（MLPC）时，这些应用给出令人满意的结果。在固定翼无人驾驶飞行器需要高速控制的情况下，由于分类速度低，这种方法变得不可靠，因此面临问题。这种应用要求系统在高速下对数据进行分类，以保持车辆的可控性。本文提出了一种新的分类方法，它使用了公共空间范式和线性判别分析的组合，提供了一个更好的分类精度在实时的。还讨论了基于非线性SVM的分类技术。此外，本文讨论了所提出的方法的实施上的固定翼和垂直起降无人机。
2018-09-02 cs.HC cs.RO
A Minimum Energy Filter for Localisation of an Unmanned Aerial Vehicle
Australian National University（澳大利亚国立大学）；Defence Science and Technology Group（国防科学与技术集团）
无人机的精确定位对于下一代自动化任务至关重要。提出了一种基于扩展特殊欧氏群的速度辅助姿态估计的最小能量滤波器。所采取的方法利用李群对称性的问题相结合的惯性测量单元（IMU）传感器输出与地标测量到一个强大的和高性能的状态估计。我们提出了一种异步离散时间实现融合高带宽IMU与低带宽离散时间地标测量典型的现实世界的场景。通过仿真验证了该滤波器的性能。
2020-09-10 cs.RO cs.SY eess.SY
An Unmanned Aerial Vehicle as Human-Assistant Robotics System
Sikkim Manipal Institute of Technology（锡金马尼帕尔理工学院）；BIT Mesra（梅斯拉理工学院）
根据美国传统词典[1]，机器人学是与机器人的设计，制造，理论和应用相关的技术的科学或研究。Hoverbot一词也经常被用来指由人类远程控制的复杂机械设备，即使这些设备不是自主的。本文介绍了一种遥控悬浮机器人，通过在控制计算机（PC）和悬浮机器人两侧分别安装发射器和接收器。数据作为信号或指令通过基础设施网络传输，该基础设施网络被转换为在远程站点操作的悬浮机器人的命令。
2011-04-19 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
Real-Time Multi-Modal Semantic Fusion on Unmanned Aerial Vehicles
University of Bonn（波恩大学）
配备有多个互补传感器的无人机（UAV）具有用于快速自主或远程控制语义景物分析的巨大潜力，例如，进行灾难检查。在这项工作中，我们提出了一个无人机系统的实时的【形】语义推理和多传感器模态的融合。LiDAR扫描和RGB图像的语义分割，以及RGB和热图像上的目标检测，使用轻量级CNN架构和嵌入式推理加速器在无人机计算机上在线运行。我们遵循后期融合方法，其中来自多个模态的语义信息增强3D点云和图像分割掩模，同时还生成一个allocentric语义地图。我们的系统提供了增强的语义图像和点云与$\approx\,$ 9 $\,$ Hz。我们在城市环境中的真实世界的实验中评估集成系统。
2021-08-14 cs.CV cs.RO
An Integrated Visual System for Unmanned Aerial Vehicles Tracking and Landing on the Ground Vehicles
无人机的视觉对于无人机相关应用如搜救、移动平台着陆等具有重要意义。本文针对无人机在移动平台上的着陆，以及复杂环境下的无人机目标检测与跟踪，开发了一套综合系统。首先，我们提出了一种用于目标检测和跟踪的鲁棒的基于LoG的深度神经网络，与典型的基于深度网络的方法相比，它在对目标尺度和光照的鲁棒性方面具有很大的优势。然后，针对实际运动估计中动态未知的问题，在原有卡尔曼滤波器的基础上进行了改进，设计了一种基于迭代多模型的滤波器。接下来，我们实现了整个系统，并在两个复杂的情况下进行了基于ROS Gazebo的测试，以验证我们设计的有效性。最后，我们已经部署了所提出的检测，跟踪和运动估计策略到实际应用中做无人机跟踪的支柱和避障。实验结果表明，该系统在实际应用中具有较高的精度和鲁棒性。
2022-12-31 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
Cost-Efficient Deployment of a Reliable Multi-UAV Unmanned Aerial System
Research, Technology and Innovation Network (RTIN), The American College of Greece（美国希腊学院研究、技术与创新网络（RTIN））；Aalborg University（奥尔堡大学）
在这项工作中，我们研究了无人机系统（UAS）的可靠性和投资成本之间的权衡，该系统由一组携带无线电接入节点（称为便携式接入点（PAP））的无人机（UAV）组成，部署为一组地面节点（GN）提供服务。使用所提出的算法，一个给定的地理区域被等效地表示为一组圆形区域，其中每个圆表示PAP的覆盖区域。然后，通过将其建模为连续时间的生灭马尔可夫决策过程（MDP），解析地推导出了UAS的稳态可用度。数值计算表明，通过考虑网络的流量需求和分布，可以降低保证一组网络稳态可用性的投资成本。
2022-08-30 cs.ET cs.IT cs.RO
Comparison of Attitude Estimation Techniques for Low-cost Unmanned Aerial Vehicles
Qualcomm Research（高通研究院）；Qualcomm Technologies, Inc.（高通技术公司）
小型低成本无人机的姿态估计通常使用相对简单的互补滤波器来实现，该互补滤波器结合了机载加速度计、陀螺仪和磁力计感测。本文探讨了这种姿态估计的性能限制，重点是在高动态机动的性能。互补滤波器是随着扩展卡尔曼滤波器和无迹卡尔曼滤波器，以评估潜在的性能增益时，使用更复杂的估计。模拟，比较性能在一系列的测试情况下，许多地面实况是从手动控制的飞行在飞行模拟器中生成的。在不同的估计器类型（如传感器信息的处理方式，以及动态变化的增益的使用）通用的估计方案进行了比较，在测试用例。附录包括作为一个快速参考常见的态度表示和他们的运动学表达式。
2016-02-24 cs.RO math.OC
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
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
Detecting Invasive Insects with Unmanned Aerial Vehicles
Marquette University（马凯特大学）；USDA-ARS-AFRS（美国农业部农业研究局阿巴拉契亚水果研究站）；University of Missouri（密苏里大学）
控制和减少入侵昆虫物种对农业影响的一个关键方面是了解这些物种的迁移模式。目前研究这些迁移模式的最先进方法涉及标记-释放-再捕获技术，即昆虫在被标记后被释放，研究人员试图在以后重新捕获它们。然而，这种方法需要人类研究人员在大片田地中手动搜索这些昆虫，导致捕获率非常低。在本文中，我们提出了一个自动化系统，用于检测释放的昆虫使用无人驾驶飞行器。该系统利用紫外线照明技术，数码相机，和轻量级的计算机视觉算法，更快，更准确地检测昆虫相比，目前的最先进的状态。该系统提供的效率和准确性，将允许入侵昆虫物种的迁移模式的更全面的了解。实验结果表明，该系统能够在野外条件下检测出真实的目标昆虫，具有较高的准确率和召回率。
2019-08-15 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
Multi Agent Pathfinding for Noise Restricted Hybrid Fuel Unmanned Aerial Vehicles
University of Cincinnati（辛辛那提大学）；Infoscitex corp.（因福赛特克斯公司）；Air Force Research Laboratory（空军研究实验室）
本文研究受位置相关噪声限制的混合燃料无人机机队的多智能体路径规划问题，通过搜索约束树并采用标号算法求解每个节点受噪声、燃料及冲突区域约束的最短路径子问题，最后给出多规模实验结果。
2024-03-26 cs.RO math.OC
Double Critic Deep Reinforcement Learning for Mapless 3D Navigation of Unmanned Aerial Vehicles
Technological University of Uruguay（乌拉圭理工大学）；Federal University of Rio Grande（里奥格兰德联邦大学）；Federal University of Santa Maria（圣玛丽亚联邦大学）
提出了一种基于深度强化学习的无人机三维无地图导航系统。而不是使用基于图像的传感方法，我们提出了一个简单的学习系统，只使用一些稀疏的距离传感器的范围数据训练学习代理。我们的方法基于两个最先进的双批评深度RL模型：双延迟深度确定性策略梯度（TD 3）和软演员批评（SAC）。我们表明，我们的两种方法管理优于基于深度确定性策略梯度（DDPG）技术和BUG2算法的方法。此外，我们基于递归神经网络（RNN）的新Deep-RL结构优于用于执行移动机器人无地图导航的当前结构。总的来说，我们得出结论，基于双批评与递归神经网络（RNN）的深度RL方法更适合于执行无人机的无地图导航和避障。
2021-12-27 cs.RO
Adaptive RISE Control for Dual-Arm Unmanned Aerial Manipulator Systems with Deep Neural Networks
Nankai University（南开大学）；College of Artificial Intelligence（人工智能学院）；Institute of Robotics and Automatic Information System（机器人与自动信息系统研究所）；Engineering Research Center of Trusted Behavior Intelligence, Ministry of Education（教育部可信行为智能工程研究中心）
本文针对双臂无人机机械臂系统质心变化、未建模效应和外部扰动问题，提出基于深度神经网络的自适应RISE控制器，并通过Lyapunov分析保证渐近收敛，硬件实验验证了方法的实用性与鲁棒性。
2025-04-08 cs.RO
Detecting and avoiding frontal obstacles from monocular camera for micro unmanned aerial vehicles
Heriot Watt University（赫瑞瓦特大学）
在文献中，有几种方法试图使无人机自主飞行，即，通过提取诸如直线的透视线索。然而，它只适用于定义良好的人造环境，除了许多其他线索，需要足够的纹理信息。我们的主要目标是检测和避免正面障碍物从单目摄像机使用四旋翼Ar.无人机2通过利用光流作为运动视差，无人机被允许以1 m/s的速度飞行，高度范围从地面以上1至4米。由于光流具有一定的局限性，即受光照条件和孔径的影响，因此探测和避开前方障碍物是一个非常具有挑战性的问题。
2016-04-03 cs.RO
Constrained Imitation Learning for a Flapping Wing Unmanned Aerial Vehicle
The George Washington University（乔治华盛顿大学）
提出了一种基于数据驱动的微型扑翼无人机最优控制策略。首先，一组最佳的轨迹计算离线的基础上的几何制定的动力学，捕捉大角度扑动运动和准定常空气动力学之间的非线性耦合。然后，根据模仿学习的框架，将其转化为反馈控制系统。特别是，一个额外的约束，通过学习过程中，以提高所得到的控制动态的稳定性。与传统方法相比，所提出的约束模仿学习无需在线生成额外的最优轨迹，而不会牺牲稳定性。因此，计算效率得到了显著提高。此外，这建立了第一个非线性控制系统，稳定的扑翼飞行器的纵向和横向耦合动力学，而不依赖于平均或线性化。这些都说明了数值例子的启发，帝王蝶的模拟模型。
2022-06-08 cs.RO cs.SY eess.SY
A survey on unmanned aerial vehicle collision avoidance systems
Stony Brook University（石溪大学）
本文综述了最新无人机避障系统，分析了感知与检测、避障两部分的分类、优缺点及比较。
2015-08-31 cs.RO cs.SY eess.SY
On-board Deep-learning-based Unmanned Aerial Vehicle Fault Cause Detection and Identification
Rutgers University–New Brunswick（罗格斯大学新布朗斯维克分校）
随着无人驾驶飞行器（UAV）/无人机使用的增加，实时检测和识别故障原因对于从潜在的类似坠毁的场景或事故后取证分析中正确恢复非常重要。坠毁的原因可能是传感器/致动器系统的故障，物理损坏/攻击，或对无人机软件的网络攻击。在本文中，我们提出了基于深度卷积和长短期记忆神经网络（CNN和LSTM）的新型架构，以基于传感器数据检测（通过自动编码器）和分类无人机误操作。所提出的架构能够从原始传感器数据中自动学习高级特征，并学习传感器数据中的空间和时间动态。我们通过在真实无人机上的模拟和实验来验证所提出的深度学习架构。实验结果表明，我们的解决方案能够以超过90%的准确率检测并分类各种类型的无人机误操作（准确率约为99%（模拟数据）和高达88%的准确率（实验数据））。
2020-05-06 cs.CV cs.LG cs.RO
An Improved Deep Convolutional Neural Network-Based Autonomous Road Inspection Scheme Using Unmanned Aerial Vehicles
Kumoh National Institute of Technology（国立金乌工科大学）
人工智能（AI）的进步为开发自主设备提供了很好的机会。这项工作的贡献是一个改进的卷积神经网络（CNN）模型及其实现的道路裂缝，坑洼，和黄色车道的道路检测。黄色车道检测与跟踪的目的是通过跟随黄色车道，实现无人机的自主导航，同时通过WIFI或5G介质检测并向服务器报告道路裂缝和坑洼。建立自己的数据集是一项繁忙而耗时的任务。使用默认和改进的模型创建、标记和训练数据集。这两种模型的性能是基准方面的准确性，平均平均精度（mAP）和检测时间。在测试阶段，据观察，改进后的模型的性能更好的精度和mAP方面。改进后的模型在无人机上实现，使用机器人操作系统，通过无人机前置摄像头视觉实时自主检测道路中的坑洼和裂缝。
2020-08-14 cs.CV cs.LG cs.RO
An Adaptive Sliding Window Estimator for Positioning of Unmanned Aerial Vehicle Using a Single Anchor
State Key Laboratory of Mechanical System and Vibration, School of Mechanical Engineering, Shanghai Jiaotong University（机械系统与振动国家重点实验室，机械工程学院，上海交通大学）
提出一种配备可靠性评估器的自适应滑动窗口估计器，通过同时估计状态、噪声协方差和气动阻力，在标准和恶劣环境中实现0.15m均方根误差，优于现有方法。
2025-07-12 cs.RO
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
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
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
Stealthy Perception-based Attacks on Unmanned Aerial Vehicles
Duke University（杜克大学）
在这项工作中，我们研究的脆弱性，无人机（UAV）的隐形攻击的感知为基础的控制。为了指导我们的分析，我们考虑两个具体的任务：（$i$）地面车辆跟踪（GVT），和（$ii$）垂直起飞和降落（VTOL）的四轴飞行器在移动的地面车辆。具体来说，我们引入了一种方法来随着时间的推移持续攻击传感器测量和相机图像，以导致控制性能下降（例如，通过任务失败）同时保持隐身（即，未被部署的异常检测器检测到）。与主要依赖于深度神经网络对小输入扰动（例如，通过在图像中添加小块和/或噪声），我们表明可以通过改变地面车辆着陆标记的图像以及适当地伪造传感数据来设计隐形但有效的攻击。我们说明了我们的攻击在凉亭3D机器人模拟器的有效性。
2023-03-03 cs.RO cs.SY eess.SY
Spiking Neural Network Actor-Critic Proximal Policy Optimization Control for Autonomous UAV Navigation Through Constrained Openings in Civil Infrastructure and Buildings
Alma Mater Europaea University（欧洲阿尔马马特大学）；AGH University of Krakow（克拉科夫AGH科技大学）
本文提出基于脉冲神经网络的近端策略优化算法，用于无人机在受限环境中自主导航，通过Actor-Critic与高斯策略结合，实现63.77%成功率并后期超90%。
2026-09-22 cs.AI cs.RO
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
Depth-CUPRL: Depth-Imaged Contrastive Unsupervised Prioritized Representations in Reinforcement Learning for Mapless Navigation of Unmanned Aerial Vehicles
Universidade Federal do Rio Grande - FURG（里奥格兰德联邦大学（FURG））；Universidade Federal de Santa Maria - UFSM（圣玛丽亚联邦大学（UFSM））；Technological University of Uruguay（乌拉圭技术大学）
强化学习（RL）通过原始像素成像和连续控制任务在视频游戏中表现出令人印象深刻的性能。然而，RL在高维观测（如原始像素图像）方面表现不佳。人们普遍认为，基于物理状态的RL策略（如激光传感器测量）比像素学习更有效。本文提出了一种从深度图估计中提取信息的新方法，用于训练强化学习智能体实现无人机的无地图导航。我们提出了深度图像对比无监督优先表示强化学习（深度CUPRL），估计与优先重放记忆的图像的深度。我们使用RL和对比学习的组合来解决基于图像的RL问题。从与无人机（UAV）的结果的分析，可以得出结论，我们的深度CUPRL方法是有效的决策，并优于国家的最先进的基于像素的方法在无地图导航能力。
2022-07-01 cs.AI cs.RO
Multi-Task Regression-based Learning for Autonomous Unmanned Aerial Vehicle Flight Control within Unstructured Outdoor Environments
Durham University（杜伦大学）
全球无人机（UAV）行业的增长扩大了全自主无人机应用的可能性。一个特殊的应用，其中部分动机这项研究是使用无人机在广域搜索和监视行动，在非结构化的户外环境。这种环境的关键问题是缺乏有助于自主飞行的结构化特征，例如道路或路径。在本文中，我们提出了一种端到端的多任务回归学习方法，能够定义飞行命令的导航和探索下的森林树冠，无论存在的痕迹或额外的传感器（即GPS）。训练和测试是使用软件在循环管道，允许对国家的最先进的姿态估计技术进行详细的评估。我们广泛的实验表明，我们的方法擅长在所需的搜索范围内进行密集的探索，能够覆盖更广泛的搜索区域，推广到以前看不见的和未探索的环境，并优于当代最先进的技术。
2019-07-18 cs.CV cs.LG cs.RO
