Utilizing the RRT*-Algorithm for Collision Avoidance in UAV Photogrammetry Missions
Technische Universität Braunschweig（布伦瑞克工业大学）
本文介绍了快速探索随机树星（RRT*）算法在摄影测量任务中的多旋翼机避碰中的应用。为了更好的适用性，所提出的算法重定向到一个预定义的任务的path. The实验中进行的仿真软件gazebo利用ROS接口，广为人知的自动驾驶仪软件PX4。对于障碍物检测，使用模拟的Intel D435立体摄像机。实验包括两种不同的场景，每种场景都以两种不同的最大速度进行。结果表明，概率RRT*-算法可以成功地避开障碍物，即使在速度高达6米/秒。主要问题在于多旋翼飞行器的动态特性、惯性以及传感器技术的局限性。
2021-08-09 cs.RO
A reformulation of collision avoidance algorithm based on artificial potential fields for fixed-wing UAVs in a dynamic environment
Delhi Technological University（德里理工大学）；Indian Institute of Science, Education, and Research, Bhopal（印度科学教育与研究学院博帕尔分校）
本文针对固定翼无人机无法遵循停止-决策-执行方法的问题，提出了一种基于人工势场改进斥力定义的反应式避障算法，并通过多场景仿真验证了其在动态环境中的可行性与安全性。
2024-04-23 cs.RO
Autonomous Vision-based UAV Landing with Collision Avoidance using Deep Learning
York University（约克大学）
当多架无人机在同一平台上同时着陆而没有通信时，存在碰撞的风险。该工作实现了基于视觉的自主着陆，并在着陆过程中使用基于深度学习的方法来实现避碰。
2021-09-17 cs.CV cs.LG cs.RO
A Hierarchical Collision Avoidance Architecture for Multiple Fixed-Wing UAVs in an Integrated Airspace
National University of Defense Technology（国防科技大学）
研究了多固定翼无人机自主飞行在复杂空域中的避碰问题。通过研究并结合在线路径规划方法、分布式模型预测控制算法和几何反作用控制方法，针对多固定翼无人机采用单一运动学模型，在输入约束条件下，建立了一个集冲突检测和解决于一体的三层避碰系统。所提出的方法的有效性进行了评估和验证，通过测试结果的比较模拟确定性和概率感测条件下。
2020-05-29 cs.MA cs.RO
An LGMD Based Competitive Collision Avoidance Strategy for UAV
University of Lincoln（林肯大学）；Lingnan Normal University（岭南师范学院）；Guangzhou University（广州大学）
建立一个可靠、高效的无人机防撞系统仍然是一个具有挑战性的问题。这项研究的灵感来自蝗虫，蝗虫可以密集地飞行数百英里而不会发生碰撞。蝗虫脑中的LGMD-DCMD（lobula giant motion detector and declining contra-lateral motion detector）视觉通路是引导蝗虫快速避碰的碰撞感知系统，是设计人工视觉系统的理想途径。然而，很少有研究其在现实世界的无人机应用的潜力。提出了一种基于LGMD的无人机室内导航竞争避碰方法。与以前的作品相比，我们将无人机的视野分为四个子域，每个子域由一个LGMD神经元处理。因此，四个单独的竞争LGMD（C-LGMD）竞争引导无人机的定向避碰。与地面机器人和车辆相比，UAV具有更多的自由度，可以沿着四个基本方向逃避碰撞（例如，从左侧接近的物体触发UAV的横向移位）。我们所提出的方法已经通过仿真和实时四轴飞行器竞技场实验进行了验证。
2019-04-15 cs.NE cs.RO
Collision Avoidance for Multiple UAVs in Unknown Scenarios with Causal Representation Disentanglement
College of Engineering, Shantou University（汕头大学工程学院）；School of Computer Science, Guangdong University of Technology（广东工业大学计算机学院）；University of Electronic Science and Technology of China（电子科技大学）；International Cooperation Base of Evolutionary Intelligence and Robotics（进化智能与机器人国际合作基地）
针对现有深度强化学习方法在未知多无人机避碰场景中因非因果视觉因素干扰导致性能下降的问题，提出因果表征解耦方法，仅保留因果因素用于策略学习，有效提升模型泛化能力，在未知场景避碰效果显著优于现有最优算法。
2024-07-15 cs.RO
Collision Avoidance of Two Autonomous Quadcopters
University of Sheffield（谢菲尔德大学）
使用交通防撞系统（TCAS）是为了避免飞机之间发生空中碰撞。我们提出了一个游戏理论的方法，TCAS设计的自主无人机（UAV）。游戏理论学习的典型例子的一个变体，虚拟游戏，被用作无人机之间的协调机制，它应该在飞行和避免碰撞的替代高度之间进行选择。我们提出了建议的协调机制在两个四轴飞行器在相反的方向的实施结果。
2016-03-17 cs.RO
A Perception-Aware NMPC for Vision-Based Target Tracking and Collision Avoidance with a Multi-Rotor UAV
Czech Technical University in Prague（捷克理工大学）；University of Twente（特温特大学）
针对多旋翼飞行器的视觉目标跟踪与避碰问题，提出了一种基于感知觉的非线性模型预测控制（NMPC）策略。所提出的控制策略既考虑了现实的驱动限制在扭矩水平和视觉感知的约束，以执行的目标，同时符合任务目标的能见度覆盖。此外，该方法允许安全地在由具有弹道运动的动态障碍物填充的工作空间区域中导航。该公式是通用的，并设置在一个大类的多旋翼飞行器，包括共面设计，如四旋翼以及全驱动平台与倾斜螺旋桨。通过MATLAB中的闭环仿真验证了该控制策略的可行性和有效性。
2023-02-09 cs.RO
Control Barrier Functions in Dynamic UAVs for Kinematic Obstacle Avoidance: A Collision Cone Approach
Indian Institute of Science (IISc)（印度科学学院）；Cyber-Physical Systems（网络物理系统）；Department of Mechanical Engineering（机械工程系）
本文提出一种基于控制障碍函数和碰撞锥的新约束，用于四旋翼飞行器实时避障，通过CBF-QP实现，仿真和硬件实验验证了其在静态和动态障碍物场景中的有效性，且比高阶CBF-QP更少保守。
2024-03-15 cs.RO
GPS Denied IBVS-Based Navigation and Collision Avoidance of UAV Using a Low-Cost RGB Camera
Electrical and Computer Engineering Dept., National University of Singapore（新加坡国立大学电子与计算机工程系）；National University of Singapore（新加坡国立大学）
本文提出一种仅依赖RGB相机和机载Jetson平台的IBVS框架，通过AI单目深度估计实现无路径规划的无人机导航与避障，并在GPS拒止环境下验证其有效性。
2025-09-22 cs.RO cs.SY eess.SY
CoDe: A Cooperative and Decentralized Collision Avoidance Algorithm for Small-Scale UAV Swarms Considering Energy Efficiency
School of Internet of Things, Xi’an Jiaotong-Liverpool University（物联网学院，西安交通大学利物浦大学）
本文提出CoDe算法，通过多智能体强化学习与新颖信用分配方案，解决小规模无人机群在连续动作空间下的协同避障与能效问题，实验证明其优于现有基准。
2025-07-14 cs.MA cs.RO
Reachable Set Approach to Collision Avoidance for UAVs
University of Maryland（马里兰大学）
本文提出基于可达集的无人机避撞算法，通过凸优化求解控制约束集，解决多无人机避撞问题。
2016-09-26 cs.RO cs.SY eess.SY
Interpretable UAV Collision Avoidance using Deep Reinforcement Learning
Iowa State University（爱荷华州立大学）
任何成功的自主飞行系统的重要组成部分是任务完成和避免碰撞。大多数深度学习算法在它们被训练的环境和条件下成功地执行这些方面。然而，当他们受到新的环境时，他们失败了。本文提出了一种自主多旋翼飞行算法，使用深度强化学习增强自注意力模型，可以有效地原因时，受到不同的输入。除了它们的推理能力，它们也是可解释的，使其能够在现实世界的条件下使用。我们已经在不同的天气条件和环境下测试了我们的算法，发现与传统的深度强化学习算法相比，它是鲁棒的。
2021-06-04 cs.LG cs.RO
Three Dimensional Hydrodynamic Flow-Based Collision Avoidance for UAV Formations Facing Emergent Dynamic Obstacles
Mechanical and Aerospace Engineering（机械与航空航天工程）
本文提出了一种基于流体动力学的三维碰撞避障方法，用于无人机编队在动态环境中实现安全、高效的避障控制。
2026-01-16 cs.RO cs.SY eess.SY
Obstacle Avoidance Using a Monocular Camera
Stanford University（斯坦福大学）
基于简单数码相机的防撞系统将有助于将小型无人机安全地集成到拥挤的低空环境中。在这项工作中，我们提出了一个小型无人机避障系统，使用单目摄像机与混合神经网络和路径规划控制器。该系统由一个视觉网络，用于估计深度从相机图像，一个高级控制网络，碰撞预测网络，和应急策略。该系统是在一个模拟的无人机上进行评估，在一个受约束的飞行模式中航行的障碍课程。结果表明，该系统实现了低碰撞率，同时保持操作相关的飞行速度。
2021-01-25 cs.AI cs.RO
Toward Verifiable Real-Time Obstacle Motion Prediction for Dynamic Collision Avoidance
University of Notre Dame（圣母大学）
下一代无人机（UAV）必须可靠地避开移动障碍物。现有的动态避碰方法在障碍物轨迹是线性的或已知的情况下是有效的，但是这样的限制对于许多现实世界的UAV应用是不准确的。我们提出了一种有效的方法，通过LSTM神经网络的在线训练，仅基于最近的观察来预测障碍物的运动。给定这样的预测，我们定义了一个非线性概率速度障碍（NPVO），它可以用来选择一个速度，是碰撞自由与给定的概率。我们采取了一个步骤，我们的方法的形式化验证，使用统计模型检验近似的概率，我们的系统将错误预测障碍物的运动。鉴于这样的概率，我们证明了在多智能体和互惠碰撞避免场景中的碰撞概率的上限。此外，我们在模拟中证明，我们的方法避免了最先进的方法失败的碰撞。
2019-03-11 cs.RO
AeroHaptix: A Wearable Vibrotactile Feedback System for Enhancing Collision Avoidance in UAV Teleoperation
针对无人机遥控中触觉操纵杆单方向反馈及干扰控制的问题，提出可穿戴振动触觉系统AeroHaptix，结合优化布局与MultiCBF算法提供多方向障碍提示，减少碰撞和输入冲突。
2025-01-16 cs.HC cs.RO
A Learning Framework For Cooperative Collision Avoidance of UAV Swarms Leveraging Domain Knowledge
本文提出一种基于领域知识驱动奖励的多智能体强化学习框架，通过将障碍物建模为二维场极大值并近似等高线来实现无人机集群的协同避碰，支持大规模集群训练并在复杂环境中表现出色。
2025-07-15 cs.LG cs.MA cs.RO
Towards Perception-based Collision Avoidance for UAVs when Guiding the Visually Impaired
Department of Computational and Data Sciences, Indian Institute of Science（计算与数据科学系，印度科学院）
本文提出一种基于感知的路径规划系统，利用多DNN框架实现无人机在引导视觉障碍者时的局部避障，并在校园三种场景中验证了可行性。
2025-06-17 cs.CV cs.RO
A Multiple Artificial Potential Functions Approach for Collision Avoidance in UAV Systems
Brandenburg University of Technology Cottbus-Senftenberg (BTU C-S)（勃兰登堡工业大学科特布斯-森夫滕贝格分校（BTU C-S））；University of Mons（蒙斯大学）；Fraunhofer Research Institution for Energy Infrastructures and Geothermal Systems IEG（弗劳恩霍夫能源基础设施与地热系统研究所IEG）
针对无人机避障中现有APOF方法缺乏稳定性保证和抖振问题，提出基于多人工势函数的控制方法，推导整定条件并利用混合系统理论证明稳定性，仿真验证其有效避开静态障碍物。
2025-03-28 cs.RO cs.SY eess.SY
Multi-UAV Speed Control with Collision Avoidance and Handover-aware Cell Association: DRL with Action Branching
York University（约克大学）；École de Technologie Supérieure (ÉTS), University of Quebec（魁北克大学高等技术学院）
针对3D空中高速公路多无人机速度与小区关联优化问题，提出带动作分支的DRL架构及BDQ、Dueling DDQN模型，仿真较基准提升18.32%。
2024-01-22 cs.LG cs.RO cs.SY
N-MPC for Deep Neural Network-Based Collision Avoidance exploiting Depth Images
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
本文提出一种将深度神经网络碰撞分类器转化为代数约束并嵌入N-MPC的框架，利用机载深度图像实现无人机在杂乱环境中100Hz实时避障，并通过仿真与真实实验验证其有效性。
2024-02-20 cs.RO
Composition of Safety Constraints For Fixed-Wing Collision Avoidance Amidst Limited Communications
University of California, Irvine（加州大学欧文分校）
本文研究如何保证固定翼无人机系统能够避免碰撞。为此，我们开发了一种新的方法来创建一个障碍函数，这是类似于李雅普诺夫函数，可用于确保系统可以保持安全的所有未来的时间。在介绍了一般的方法，它是如何确保避免碰撞的两辆车可以保证所有未来的时间。然后，通过解决如何同时满足多个安全目标，将该构造扩展到任意多个车辆的情况。我们这样做，同时确保输出执行器命令在指定的限制。由于这种提法需要控制值的通信，因此可能会降低其他重要消息的吞吐量，然后我们展示了如何重新制定的解决方案，而没有这种显着的通信开销，同时仍然确保安全性得到维护和执行器的限制得到尊重。我们验证了本文的理论发展，在模拟器SCRIMMAGE与20无人机，保持安全距离，即使他们的名义路径，否则会造成碰撞的模拟。
2021-07-21 cs.RO
TriSAR: Task Coordination and Collision Avoidance for Aerial Robot Teams in Disaster Response
School of Science and Technology, Nottingham Trent University（诺丁汉特伦特大学科学技术学院）
该研究提出TriSAR协调系统，通过Gazebo仿真评估发现，反应式斥力可提升空中机器人团队的避撞安全，遗传算法分配仅在禁用斥力时提升任务效率。
2026-09-03 cs.RO
Image-Based Multi-UAV Tracking System in a Cluttered Environment
National Yang Ming Chiao Tung University（台湾阳明交通大学）
针对无人机跟踪未知平移和旋转运动目标的问题，设计了一种跟踪控制器。主要的挑战是将目标和UAV之间的相对位置和角度控制在期望值内，并且保证所生成的对UAV的控制输入是可行的（即，在其运动能力范围内）。此外，无人机被控制以确保目标始终保持在其机载摄像机的视野内。据我们所知，这是第一个应用多个无人机协同跟踪动态目标的工作，同时确保无人机保持连接，避免遮挡和碰撞。为了实现这些控制目标，基于上述跟踪控制器使用二次规划求解的设计的控制器可以生成最小侵入控制动作，以实现遮挡避免和碰撞避免。此外，控制障碍功能（CBF）的分布式设计，以减少无人机之间的通信量。仿真结果验证了所设计的基于CBF的多无人机系统控制器在跟踪目标时的有效性和性能。
2021-09-15 cs.RO cs.SY eess.SY
Hierarchical Federated Graph Attention Networks for Scalable and Resilient UAV Collision Avoidance
针对大规模多无人机避撞的实时性、对抗弹性与隐私保护平衡问题，提出三层分层联邦图注意力网络架构，实现拜占庭容错、低延迟与可扩展性，支持500架无人机场景且碰撞率<2.0%。
2025-11-05 cs.AI cs.LG cs.MA
LSwarm: Efficient Collision Avoidance for Large Swarms with Coverage Constraints in Complex Urban Scenes
在本文中，我们解决的问题，避免碰撞的一群无人机用于连续监视城市环境。我们的方法，LSwarm，有效地避免碰撞静态障碍物，动态障碍物和其他代理在3-D城市环境中，同时考虑覆盖范围的限制。LSwarm计算避免碰撞的速度，（i）最大化代理与全局覆盖策略给出的最佳路径的一致性，以及（ii）确保每个代理收集的覆盖数据的足够分辨率。我们的算法是制定基于ORCA（最佳互惠碰撞避免），是可扩展的相对于群体的大小。我们评估LSwarm在复杂城市模型中四旋翼飞行器群的真实模拟中的覆盖性能。在实践中，我们的方法可以计算碰撞避免速度的几十到几百个代理组成的群体在几毫秒内密集的城市场景，包括几十个建筑物。
2019-05-26 cs.RO
Training Detection-Range-Frugal Cooperative Collision Avoidance Models for Quadcopters via Neuroevolution
University at Buffalo（布法罗大学）
避免小型无人机（UAV）之间碰撞的合作自主方法是UAV在民用空域内安全集成的核心。一种潜在的在线合作方法是互惠行动的概念，其中两个无人机采取预先训练的相互一致的行动，不需要主动在线协调（从而避免与之相关的计算负担和风险）。本文提出了一种基于学习的方法来训练这种相互机动。使用进化算法同时优化神经网络的拓扑结构和权重的神经进化被用作学习方法--它在一组样本方法场景上运行。与大多数现有的工作（最小化旅行距离，能量或风险）不同，这里的训练过程侧重于最小化所需检测范围的目标;这对w.r.t.减轻了对复杂感测的依赖性及其在各种环境下的可靠性。一个专门设计的实验和线搜索用于确定每个样本场景的最小检测范围。为了允许有效的训练过程，分类器用于丢弃控制器会失败的动作（而不模拟它们）。通过神经进化获得的模型被观察到很好地推广到（即，成功避免碰撞）看不见的接近场景。
2019-05-31 cs.LG cs.NE cs.RO
DroneARchery: Human-Drone Interaction through Augmented Reality with Haptic Feedback and Multi-UAV Collision Avoidance Driven by Deep Reinforcement Learning
Skolkovo Institute of Science and Technology（斯科尔科沃科技学院）
提出了一种基于RL的群体行为驱动的增强现实（AR）人机交互的新概念，以实现对无人机群体编队的直观和沉浸式控制。我们开发的DroneARchery系统允许用户快速部署一群无人机，生成模拟射箭的飞行路径。触觉接口LinkGlide将弓弦张力的触觉刺激传递到前臂，以提高瞄准精度。释放的无人机群动态地避免彼此之间的碰撞，无人机跟随用户，以及基于深度强化学习的行为控制的外部障碍物。开发的概念在与人类的场景中进行了测试，其中用户使用真实的无人机从虚拟弓射击以击中目标。人类操作员在AR中观察无人机的弹道轨迹，并通过触觉显示实现弓弦张力的逼真和高度可识别的体验。实验结果表明，该系统通过应用AR技术和传递拉力的触觉反馈，使轨迹预测精度提高了63.3%。DroneARchery用户在控制无人机时强调了自然性（5分制中的4.3分）和增加的信心（5分制中的4.7分）。我们设计了触觉模式，以呈现触觉显示的四个滑动距离（张力）和三个施加的力水平（刚度）。用户表现出区分触觉模式产生的触觉显示代表不同的弓弦张力（平均识别率为72.8%）和刚度（平均识别率为94.2%）。该研究的新颖之处在于开发了一种基于AR的无人机控制方法，不需要操作员的特殊技能和培训。
2022-10-14 cs.HC cs.RO
Predictive Angular Potential Field-based Obstacle Avoidance for Dynamic UAV Flights
University of Bonn（波恩大学）
近年来，无人机（UAV）被用于许多检查和视频捕获任务。然而，在障碍物附近手动控制无人机具有挑战性，并且存在很高的碰撞风险。即使是自主飞行，全球导航规划也可能太慢，无法对新发现的障碍物做出反应。风等干扰可能导致偏离计划轨迹。在这项工作中，我们提出了一种快速预测避障方法，不依赖于更高级别的定位或映射，并保持无人机的动态飞行能力。它直接对LiDAR距离图像进行实时的运算，通过计算距离图像内的角势场来调整当前飞行方向。随后基于轨迹预测和接触时间估计来确定速度大小。我们的方法进行评估，使用硬件在环仿真。它使无人机与障碍物保持安全距离，同时允许比以前直接基于传感器数据的反应式避障方法更高的飞行速度。
2022-08-11 cs.RO
Swarm Intelligence in Collision-free Formation Control for Multi-UAV Systems with 3D Obstacle Avoidance Maneuvers
University of Oklahoma（俄克拉荷马大学）
本研究受罗非鱼和鸽子集体行为启发，提出一种结合集中式与分布式控制器的多无人机无碰撞编队控制框架，并扩展至三维避障机动，在二维和三维场景中验证了其有效性。
2024-12-17 cs.RO
Obstacle Avoidance of Resilient UAV Swarm Formation with Active Sensing System in the Dense Environment
Shanghai Jiaotong University（上海交通大学）
提出了一种基于感知共享和群轨迹全局优化（STGO）算法的无人机编队运动规划框架。首先，对每个无人机接收到的点云数据进行高斯混合模型（GMM）拟合，并在群中传输。来自所接收的GMM的回复有助于形成全球地图，该全球地图被用作共识的基础。其次，为提高无人机的飞行安全性，设计了一种主动传感系统，在考虑未知视场、视场重叠、速度方向和偏航旋转平滑性的情况下，规划各无人机的观测角，并采用分布式粒子群优化算法（DPSO）求解。最后，在编队运动规划中，为了保证避障，将编队结构作为B样条控制点的软约束，进行仿射变换。此外，STGO的引入，以避免局部极小值。GMM通信和STGO的结合保证了无人机之间安全、严格的共识。对不同编队的仿真测试表明，该算法可以实现严格的共识，在密集环境中避障成功率至少为80%。此外，主动传感系统在某些场景下可以将避障成功率从50%提高到100%。
2022-02-27 cs.RO
Smooth Trajectory Collision Avoidance through Deep Reinforcement Learning
Ohio University（俄亥俄大学）
避碰是视觉引导自主导航中的一项重要任务。基于深度强化学习（DRL）的解决方案越来越受欢迎。在这项工作中，我们提出了几种新的代理状态和奖励函数设计，以解决基于DRL的导航解决方案中的两个关键问题：1）训练的飞行轨迹的平滑性; 2）处理未知环境的模型泛化。在DRL框架下，我们的模型依赖于利润奖励和平滑约束，以确保无人机平稳飞行，同时大大减少碰撞的机会。所提出的平滑性奖励最小化了飞行轨迹的一阶和二阶导数的组合，这也可以驱动点均匀分布，从而导致稳定的飞行速度。为了提高智能体处理新的未知环境的能力，提出了两个实用的设置，以提高在不同场景中部署时的状态和奖励函数的不变性。实验证明了我们的整体设计和单个组件的有效性。
2022-10-12 cs.LG cs.RO
$E^2Coop$: Energy Efficient and Cooperative Obstacle Detection and Avoidance for UAV Swarms
University of Otago（奥塔哥大学）
能量效率是无人机群避障轨迹规划的关键。本文提出了$E^2Coop$，一种将人工势场（APF）与基于粒子群规划（PSO）的航迹规划紧密耦合的无人机群避碰新方案。在$E^2Coop$中，群成员协同执行轨迹规划，以能量有效的方式避免碰撞。$E^2Coop$利用活动轮廓模型在图像处理中的优势进行轨迹规划。每个群体成员规划其轨迹上的环境场的轮廓，以节省能源，避免碰撞的障碍。处于彼此安全距离内的群成员在不同的轮廓上规划它们的轨迹，以避免彼此碰撞。仿真结果表明，与现有的两种方案相比，$E^2Coop$的能量节省率可达51%.
2021-05-08 cs.RO
HEPP: Hyper-efficient Perception and Planning for High-speed Obstacle Avoidance of UAVs
Department of Mechanical Engineering, The University of Hong Kong（机械工程系，香港大学）；Northwestern Polytechnical University（西北工业大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出HEPP系统，通过增量建图、拓扑路径搜索和自适应轨迹生成，实现无人机在杂乱环境中高速避障，耗时显著降低。
2025-05-23 cs.RO
Feasible Computationally Efficient Path Planning for UAV Collision Avoidance
Nanyang Technological University（南洋理工大学）；Fuzhou University（福州大学）
提出了一种鲁棒的、计算效率高的无人机实时避碰算法--基于记忆的壁面跟随人工势场法（MWF-APF）。新算法在沿墙法（WFM）和人工势场法（APF）之间切换，提高了态势感知能力。考虑历史轨迹，避免重复错误决策。此外，它可以有效地应用于低计算能力的平台。最后，以配备有限个飞行时间测距仪的四旋翼飞行器为例，验证了该算法的有效性。通过软件仿真和物理飞行试验验证了MWF-APF方法在复杂场景下的性能。
2021-02-08 cs.RO
Biologically Inspired Collision Avoidance Without Distance Information
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The University of Iowa（爱荷华大学）
生物学证据表明，动物能够在不使用深度信息的情况下，仅仅依靠隐约可见的刺激来躲避重大碰撞。在机器人技术中，不合作车辆之间的碰撞避免需要测量到障碍物的相对距离。小型、低成本的移动机器人和无人机可能无法携带距离测量传感器，如激光雷达和深度相机。我们提出了一个控制框架，适用于一个类似独轮车的车辆在二维平面上移动，实现防撞。该控制策略的灵感来自无脊椎动物接近障碍物的反应，完全依赖于视线（LOS）角，LOS角速率和碰撞时间作为反馈。这些数量可以很容易地估计从单目摄像机视觉系统板载移动机器人。所提出的避障律控制航向角以规避未知位置的运动障碍物，而速度控制器作为自由度来完成其他任务目标。理论保证表明，车辆和障碍物之间的最小间距达到无关的外源跟踪控制器。
2021-03-23 cs.RO cs.SY eess.SY
Sim-to-Real Deep Reinforcement Learning based Obstacle Avoidance for UAVs under Measurement Uncertainty
IIIT Hyderabad（海得拉巴国际信息技术学院）
深度强化学习正迅速成为训练自主无人机（UAV）的流行方法。本文分析了测量不确定性对基于深度强化学习（DRL）的无人机航路点导航和避障性能的影响。测量不确定性源于用于定位和检测障碍物的传感器中的噪声。测量不确定度/噪声被认为遵循具有未知非零均值和方差的高斯概率分布。我们评估的DRL代理训练使用的近端策略优化（PPO）算法在连续的状态和动作空间的环境中的性能。在存在不同程度的噪声的情况下，对于每个模拟事件，环境被随机化为具有不同数量的障碍物，以捕获现实传感器测量的影响。去噪技术，如低通滤波器和卡尔曼滤波器，在存在无偏噪声的情况下提高了性能。此外，我们表明，在评估过程中人为地将噪声注入到测量中实际上提高了某些情况下的性能。在PyBullet物理模拟器中，在各种UAV导航场景下对DRL代理进行了广泛的训练和测试。为了评估我们的方法的实际有效性，我们在仿真中训练的政策移植到一个真正的无人机上，没有任何进一步的修改，并在现实世界的环境中验证结果。
2023-03-13 cs.RO
Control Barrier Function Based UAV Safety Controller in Autonomous Airborne Tracking and Following Systems
Virginia Tech（弗吉尼亚理工大学）；University of Kentucky（肯塔基大学）；University of Louisville（路易斯维尔大学）
针对无人机空中跟踪非合作目标时的碰撞风险，提出基于控制屏障函数的二次规划安全控制器，最小化修改轨迹跟踪输入以保证安全，并在AirSim模拟中验证了有效性。
2023-12-28 cs.RO cs.SY eess.SY
Joint Vision-Based Navigation, Control and Obstacle Avoidance for UAVs in Dynamic Environments
Sapienza University of Rome（罗马大学）；IT+Robotics S.r.l.（IT+Robotics有限公司）
本文研究了基于视觉的无人机导航系统与鲁棒避障能力的耦合问题。前一个问题通过最大化兴趣点的可见性来解决，而后者则通过椭球排斥区域来建模。整个问题被转化为一个最优控制问题（OCP），并利用最先进的数值优化在几毫秒内解决。由此产生的轨迹非常适合到达指定的目标位置，同时以安全裕度避开障碍物，并最大限度地减少与感兴趣目标失去路线的可能性。将该技术与适当的椭圆体成形（即，通过与障碍物速度或与障碍物检测不确定性成比例地增大形状）导致鲁棒的障碍物回避行为。我们在广泛的模拟实验中验证了我们的方法，这些实验显示了即使在具有挑战性的条件下也能满足所有约束的有效能力。我们发布了本文的开源实现。
2019-11-05 cs.RO
Computationally Efficient Obstacle Avoidance Trajectory Planner for UAVs Based on Heuristic Angular Search Method
Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）
为了在具有挑战性的环境中完成各种任务，在避免意外障碍物的同时完全自主导航的能力是无人机在实际应用中最关键的要求。在本文中，我们提出了这样一个计算效率高的避障轨迹规划器，可用于在混乱的未知环境。由于无人机上单个深度摄像机的视场较窄，周围障碍物的信息非常有限，难以实现最短的整条路径。因此，我们专注于轨迹规划器的时间成本和安全性，而不是其他因素。该规划器主要由点云处理器、基于启发式角度搜索的航路点发布器和基于最小加速度优化的运动规划器组成。此外，我们提出了几种技术，以提高安全性，使找到一个可行的轨迹尽可能大的可能性。所提出的方法被实现为实时运行在船上，并在仿真中进行了广泛的测试，迭代步骤的平均控制输出计算时间小于18 ms。
2020-12-28 cs.RO
Flatness-based Finite-Horizon Multi-UAV Formation Trajectory Planning and Directionally Aware Collision Avoidance Tracking
Department of Cybernetics, Czech Technical University in Prague（捷克技术大学布拉格分校自动化系）；Mechanical and Aerospace Engineering, Old Dominion University（旧 Dominion 大学机械与航空航天工程系）；Mechanical Engineering Faculty, Sahand University of Technology（沙赫德大学机械工程系）；Aksaray University（阿克萨雷大学）
本文提出一种基于微分平坦性的多无人机有限时间无碰撞编队控制方案，通过庞特里亚金原理规划编队轨迹，并设计方向感知避碰策略实现无碰撞跟踪，仿真验证了其有效性。
2025-07-01 cs.RO
Multi-UAV Formation Cooperative Obstacle Avoidance and Adaptive Shape Deformation Control in Complex Environments Based on BI-APF-RRT and Affine Transformation
College of Marine Information Engineering（海洋信息工程学院）
针对复杂障碍环境下多无人机编队避障灵活性与编队完整性难以共存及传统APF易陷入局部最优的问题，提出一种融合BI-APF-RRT与仿射变换的协同避障算法，实现全局路径规划与自适应变形。
2026-06-29 cs.RO
RVC-NMPC: Nonlinear Model Predictive Control with Reciprocal Velocity Constraints for Mutual Collision Avoidance in Agile UAV Flight
Czech Technical University in Prague（捷克布拉格技术大学）
本文提出一种基于RVC-NMPC的非线性模型预测控制方法，通过高效计算和直接整合互斥速度约束，实现高频率的碰撞回避控制，适用于敏捷无人机飞行。
2026-10-06 cs.RO
Decentralized Motion Planning with Collision Avoidance for a Team of UAVs under High Level Goals
KTH Royal Institute of Technology（瑞典皇家理工学院）
研究了在高水平目标下的空中智能体团队的运动规划问题。我们提出了一种混合控制策略，保证每个代理的本地目标规范，这是作为一个时间逻辑公式的完成，同时保证代理间的冲突避免。特别是，通过定义3-D领域，绑定代理的体积，我们扩展了以前的工作分散的导航功能，并提出控制律，导航代理之间的预定义区域的工作空间的兴趣，同时避免相互碰撞。这使我们能够抽象的代理有限转移系统的运动，并通过采用标准的形式化验证技术，得到一个高层次的控制算法，满足代理的规格。仿真和四旋翼实验结果验证了该方法的有效性。
2016-10-04 cs.RO
Deep Reinforcement Learning based Local Planner for UAV Obstacle Avoidance using Demonstration Data
Northwestern Polytechnical University（西北工业大学）；Cranfield University（克兰菲尔德大学）；City, University of London（伦敦大学城市学院）
针对未知环境下无人机导航问题，提出了一种深度强化学习（DRL）方法。然而，DRL算法受到数据效率问题的限制，因为它们通常需要大量的数据才能达到合理的性能。为了加快DRL训练过程，我们开发了一种新的学习框架，它结合了模仿学习和强化学习，并建立在双延迟DDPG（TD3）算法。我们新引入的策略和Q值网络都是在仿真阶段通过专家演示学习的。为了解决从模仿到强化学习的分布失配问题，在开始与环境交互时，采用TD误差和衰减模仿损失来更新预训练网络。所提出的算法的性能证明了具有挑战性的三维无人机导航问题，使用深度相机和素描在各种仿真环境。
2020-08-06 cs.RO
Multi-UAV Formation Control with Static and Dynamic Obstacle Avoidance via Reinforcement Learning
Tsinghua University（清华大学）；Shanghai Qizhi Institute（上海智己研究院）
本文提出一种两阶段强化学习流程，结合课程学习与注意力机制观测编码器，解决多无人机定向飞行中的编队维持与动静态避障问题，在无碰撞率和编队维持上优于基线方法。
2025-03-01 cs.RO
Multi-UAV Swarm Obstacle Avoidance Based on Potential Field Optimization
College of Marine Information Engineering, Jimei University（集美大学海洋信息工程学院）
本文提出一种结合改进多机器人编队避障算法与优化单无人机路径规划的混合算法，有效提升多无人机群在静态环境中的避障能力和编队稳定性。
2025-11-21 cs.MA cs.RO
Real-time Identification and Simultaneous Avoidance of Static and Dynamic Obstacles on Point Cloud for UAVs Navigation
Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）
在未知场景中采用有效的飞行策略避开混合障碍物是无人机应用的关键挑战。在本文中，我们介绍了一个更强大的技术来区分和跟踪动态障碍物从静态的，只有点云输入。然后，为了实现动态回避，我们提出了禁止金字塔的方法来解决所需的车辆速度与一个有效的基于采样的方法在迭代。运动基元是通过求解一个以期望速度和航路点为约束的非线性优化问题来生成的。此外，我们提出了几种技术来处理接近物体的位置估计误差，变形物体的错误，和不同的子模块之间的时间间隔。所提出的方法被实现为实时的【形】运行在船上，并在仿真和硬件测试中得到了广泛的验证，证明了我们在跟踪鲁棒性，能量成本和计算时间的优势。
2021-10-20 cs.RO
Memory-based Deep Reinforcement Learning for Obstacle Avoidance in UAV with Limited Environment Knowledge
Indian Institute of Science（印度科学学院）
本文介绍了我们的方法，使无人机四旋翼，配备了单目摄像机，自主避免碰撞与障碍物在非结构化和未知的室内环境。当与地面车辆机器人中的避障相比时，UAV导航带来了额外的挑战，因为UAV运动不再限于明确的室内地面或街道环境。室内和室外环境中的水平结构，如装饰品、家具、吊扇、招牌、树枝等，也成为与地面车辆机器人不同的相关障碍。因此，为地面机器人开发的避障方法显然不适用于无人机导航。目前的无人机单目图像避障控制方法严重依赖于环境信息。这些控制器不能完全保留和利用关于周围环境的广泛可用的信息来进行决策。我们提出了一种基于深度强化学习的无人机避障（OA）和自主探索方法，该方法能够做到完全相同。在我们的方法中的关键思想是部分可观测性的概念，以及无人机如何能够保留有关环境结构的相关信息，以做出更好的未来导航决策。我们的OA技术使用具有时间注意力的递归神经网络，并在导航过程中没有碰撞的距离方面提供了比以前更好的结果。此外，我们的技术具有很高的推理率（机器人应用中的一个关键因素），并且是节能的，因为它最大限度地减少了无人机的振荡运动，减少了功率浪费。
2018-11-08 cs.LG cs.RO
DPNet: Efficient Dead-End Prediction and Avoidance for Vision-Based UAV Navigation
Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；University of Electronic Science and Technology of China（电子科技大学）；Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院 cyber系统与控制研究所）；Differential Robotics Technology Company（差分机器人技术公司）
该研究针对基于视觉的无人机导航死胡同问题，提出轻量级神经网络DPNet，利用RGB-D输入预测死胡同并修剪轨迹库，实现50Hz高频重规划，跨场景无需标注微调，仿真与真实实验验证其优异性能。
2026-08-18 cs.RO
LNN-Fly: Continuous-Time UAV Navigation for Robust Obstacle Avoidance under Timing Mismatch
Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（深圳先进研究院，电子科技大学）
提出LNN-Fly，一种面向部署的连续时间导航策略，通过动态规划启发的结构化循环更新、显式控制间隔条件和自适应遗忘门，在时序失配下实现鲁棒避障，并在仿真和实物中验证了有效性。
2026-06-27 cs.RO
Nonlinear MPC for Collision Avoidance and Controlof UAVs With Dynamic Obstacles
Luleå University of Technology（吕勒奥理工大学）；Jet Propulsion Laboratory California Institute of Technology（加州理工学院喷气推进实验室）
提出了一种新的非线性模型预测控制（NMPC）用于无人机的导航和避障。建议的NMPC制定允许一个完全参数化的障碍物轨迹，而在这篇文章中，我们应用一个分类方案来区分不同种类的轨迹来预测未来的障碍物位置。轨迹计算从初始条件开始，并作为附加输入馈送到NMPC。所使用的求解器是非线性的，非凸的求解器近端平均牛顿最优控制（PANOC）及其相关的软件OpEn（优化引擎），在其中，我们应用惩罚方法，以适当地考虑在导航过程中的障碍物和其他约束。建议的NMPC方案允许使用50 ms的采样时间和两秒的障碍物轨迹和NMPC问题的预测，这意味着该方案可以被认为是一个本地路径规划器的实时解决方案。本文将介绍NMPC的成本函数和约束公式，以及处理动态障碍的方法。我们包括多个实验室实验来证明所提出的控制架构的有效性，并表明所提出的方法提供了快速和计算稳定的解决方案的动态避障方案。
2020-08-03 cs.RO
RaCIL: Ray Tracing based Multi-UAV Obstacle Avoidance through Composite Imitation Learning
本文提出RaCIL框架，将PPO、BC、GAIL与射线追踪结合，用于多无人机避障，并在两架和四架无人机场景中验证了其避障与协调飞行能力的提升。
2024-06-24 cs.AI cs.LG cs.RO
