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
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
Robust and Scalable UAV-UGV Planning for Aerial Monitoring under Energy and Precedence Constraints
Northeastern University(东北大学)
针对UAV-UGV团队的空中监测任务,提出多项式时间算法联合规划路径与时间,在能量、顺序及扰动约束下最小化任务完成时间,通过数值比较验证性能。
2026-10-12 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
AerialMind: Towards Referring Multi-Object Tracking in UAV Scenarios
AerialMind是首个针对无人机场景的RMOT基准,通过COALA框架和HETrack方法提升无人机的自然语言交互能力与多目标跟踪性能。
2025-12-01 cs.CV cs.RO
UAV-AdNet: Unsupervised Anomaly Detection using Deep Neural Networks for Aerial Surveillance
Aarhus University(奥胡斯大学)
异常检测是自主监视系统的一个关键目标,应该能够提醒不寻常的观察。在本文中,我们提出了一种使用深度神经网络的整体异常检测系统,用于监视关键基础设施(例如,机场、港口、仓库)使用无人驾驶飞行器(UAV)。首先,我们提出了一个探试法明确表示的鸟瞰图像中的对象的空间布局。然后,我们提出了一种用于无监督异常检测的深度神经网络架构(UAV-AdNet),该架构在环境表示和鸟瞰图像的GPS标签上进行联合训练。与文献中的研究不同,我们结合GPS和图像数据来预测异常观测。我们评估我们的模型对我们的空中监视数据集上的几个基线,并表明它在场景重建和几个异常检测任务中表现更好。代码,训练模型,数据集和视频将在https://bozcani.github.io/uavadnet上提供。
2020-11-05 cs.CV 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
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
Autonomous Reactive Masonry Construction using Collaborative Heterogeneous Aerial Robots with Experimental Demonstration
本文提出并实验验证了一种使用异构无人机进行全自主空中砌体施工的框架,通过反应式任务规划、动态任务分配和机载视觉系统,实现了砖块的精确放置与粘合材料施加,为自主空中机器人施工奠定了基础。
2025-10-16 cs.RO
Collaborative Tracking and Capture of Aerial Object using UAVs
Guidance Control and Decision Systems Laboratory Department of Aerospace Engineering Indian institute of Science(印度科学研究所航空航天工程系制导控制与决策系统实验室);Robert Bosch Center for Cyber Physical Systems Indian Institute of Science(印度科学研究所罗伯特·博世网络物理系统中心)
这项工作的细节问题的空中目标捕获使用多个无人机。这个问题的动机来自2020年穆罕默德·本·扎耶德国际机器人挑战赛的挑战1。无人机利用视觉反馈自主检测目标,接近目标并捕获,而不会干扰携带目标的车辆。多无人机协作提高了系统的效率,并增加了在短时间内鲁棒地捕获球的机会。在本文中,所提出的架构进行了验证,通过模拟在ROS-Gazebo环境,并进一步实现在硬件上。
2020-10-04 cs.CV cs.RO cs.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
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
Robust Control of An Aerial Manipulator Based on A Variable Inertia Parameters Model
Shenyang Institute of Automation, Chinese Academy of Sciences(中国科学院沈阳自动化研究所);Institute for Robotics and Intelligent Manufacturing, Chinese Academy of Sciences(中国科学院机器人与智能制造创新研究院);Ryerson University(瑞尔森大学)
本文针对无人机与机械臂动态耦合问题,提出基于变惯性参数的无人机动态模型,并设计扰动补偿鲁棒 $H_{\infty}$ 控制器,通过实验验证其在机械臂运行时稳定飞行的有效性。
2024-01-09 cs.RO
Recent Developments in Aerial Robotics: A Survey and Prototypes Overview
Hongo Aerospace Inc.(本乡航空航天公司);University of Tokyo(东京大学)
近年来,航空机器人的研究和发展(即,无人机(Unmanned Aerial Vehicles,UAVs)正以前所未有的速度发展,有必要对无人机研究的背景、最新进展和趋势进行总结。在对无人机的定义、类型、类别和主题进行概述的同时,本文描述了一种系统的方法,从3万多篇发表在顶级期刊和会议上的高质量无人机论文中识别出1,318篇。在此基础上,通过对2001年以来无人机研究论文的年份、类型和主题分布等统计信息的归纳,对无人机研究的总体情况进行了概述。我们将我们的调查清单公之于众,并相信该清单不仅可以帮助研究人员识别,研究和比较他们的工作,而且对了解该领域的研究趋势也很有用。从我们的调查结果中,我们发现有许多类型的无人机,据我们所知,没有文献试图在一个地方总结所有类型。通过我们的调查列表,我们解释了我们调查中的类型,并概述了每个调查的最新进展。我们相信这篇综述可以加深读者对无人机的理解,并启发研究人员提出新的方法和新的应用。
2017-11-30 cs.RO
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
UAV-ON: A Benchmark for Open-World Object Goal Navigation with Aerial Agents
Harbin Institute of Technology(哈尔滨工业大学)
介绍用于空中智能体开放世界目标导航的UAV-ON基准测试,含14个环境及1270个目标对象,通过实例级指令编码。实现多种基线方法评估,结果凸显空中导航和语义目标基础的复合挑战,推动复杂环境下无人机可扩展自主性研究。
2026-07-28 cs.CV cs.RO
Sim2Air - Synthetic aerial dataset for UAV monitoring
University of Zagreb, Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
在本文中,我们提出了一种新的方法来生成一个合成的航空数据集应用于无人机监测。我们建议通过应用纹理随机化来强调基于形状的对象表示。在3D建模软件Blender中创建了一个在所有参数(如形状、姿势、照明、比例、视点等)中具有照片真实感的多样化数据集,除了非典型纹理。我们的方法专门针对两种情况下,在航空图像中的物体的纹理是很难检测到的,即具有挑战性的照明和对象只占用图像的一小部分。在具有随机纹理的合成数据上训练的YOLO和Faster R-CNN检测器的实验评估通过在两个真实图像的测试数据集上增加mAP值(YOLO为17和3.7个百分点; Faster R-CNN为20和1.1个百分点)来证实我们的方法,这两个数据集都包含具有运动模糊的UAV到UAV图像。在不同的领域进行测试,我们得出结论,越多的泛化能力进行测试,更明显的是基于形状的表示的优势。
2022-03-08 cs.CV cs.RO
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
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
HIT-UAV: A high-altitude infrared thermal dataset for Unmanned Aerial Vehicle-based object detection
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)
本文发布面向无人机人员与车辆检测的高空红外热成像数据集 HIT-UAV,包含多场景图像、飞行元数据及两类边界框标注,并验证成熟检测算法在其上的优异性能。
2023-03-31 cs.AI cs.CV
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
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
Aerial Assistive Payload Transportation Using Quadrotor UAVs with Nonsingular Fast Terminal SMC for Human Physical Interaction
Carleton University(卡尔顿大学)
本文提出一种基于导纳-非奇异快速终端滑模控制(NFTSMC)的双四旋翼无人机协同载荷运输方法,通过人类施加的力引导飞行器运动,利用 Lyapunov 分析证明稳定性,并在 ROS 和 Gazebo 仿真中验证了其减轻人类工作负荷的有效性与鲁棒性。
2024-12-23 cs.RO cs.SY eess.SY
RSPECT: Robust and Scalable Planner for Energy-Aware Coordination of UAV-UGV Teams in Aerial Monitoring
Department of Electrical and Computer Engineering, Northeastern University(东北大学电气与计算机工程系)
针对无人机与作为移动充电站的无人车在长期空中监控任务中的鲁棒规划问题,提出可扩展启发式算法RSPECT,通过混合整数规划建模并保证规划可行性与鲁棒性。
2026-06-16 cs.MA 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 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
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
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
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
Aerial Image Stitching Using IMU Data from a UAV
Sabanci University(萨班哲大学)
本文提出一种结合IMU数据与计算机视觉的无人机航拍图像拼接方法,通过估计位移旋转、校正透视畸变并计算单应性矩阵,在精度和鲁棒性上优于现有基于特征的拼接算法。
2025-11-10 cs.CV cs.RO cs.SY
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
Dynamic Motion Planning for Aerial Surveillance on a Fixed-Wing UAV
Delhi Technological University(德里理工大学)
提出了一种有效的无人机路径规划算法。特别强调的是最大限度地扩大调查面积,同时坚持无人机的约束和部分已知和更新的环境。在概率路线图构建阶段引入了Voronoi偏差,以识别搜索空间的最大监视的某些关键里程碑。一个运动学上可行的,但粗糙的旅游连接这些里程碑是由全球路径规划器。然后,本地路径规划器基于无人机作为Dubins车辆并考虑任何即将发生的障碍物来生成全局路径的连续节点之间的平滑运动基元。利用马尔可夫决策过程(Markov Decision Process,MDP)对无人机的控制策略进行建模,确定无人机在最小偏离当前路径的情况下规避附近障碍物的最优行动,并在动态和静态障碍物的仿真环境中对所提算法的有效性进行了评估。
2017-05-22 cs.RO