An Interactive Indoor Drone Assistant
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
随着复杂控制算法的快速发展，无人机稳定、飞行和自主操纵的能力大大提高，使我们能够更加关注整个任务以及无人机在执行任务过程中与人类及其环境的互动。在本文中，我们提出了一个室内办公室无人机助手，其任务是在我们的实验室中跑腿和执行简单的任务，同时从空间中的人类获得指示并与之互动。为了完成其任务，系统必须能够理解人类的口头指令，并在控制和硬件限制、不确定的定位信息、不可预测和不确定的障碍以及环境因素的约束下执行。我们结合并评估对话、导航、飞行控制、深度感知和碰撞避免组件。我们讨论的性能和限制，我们的助理在组件以及任务级别。在27次任务中，任务成功率达到78%。
2019-12-09 cs.HC cs.RO
AeroEval: Staged Program and Execution Validation for AI-Generated Drone Missions
Indian Institute of Science（印度科学研究所）
AeroEval提出分阶段程序与执行验证中间件，结合确定性分析和LLM智能体，将无人机任务成功率从55%提升至95%，有效检测并修正导航与分析任务中的多种故障。
2026-10-08 cs.DC cs.RO
Autonomous Recharging and Flight Mission Planning for Battery-operated Autonomous Drones
Khalifa University（哈利法大学）；Australian National University（澳大利亚国立大学）；Ubiquiti Inc（优比快科技公司）
本文针对电池驱动的自主无人机，构建了能耗估算机器学习模型，将飞行任务规划与充电优化建模为多准则ATSP问题，设计了具有性能保证的近似算法，并通过仿真和真实实验验证了其有效性与实用性。
2022-04-19 cs.DS cs.RO
An LLM-Agnostic, MAVLink-Based Drone Command and Control Interface and Agentic Harness Using the Model Context Protocol
本文提出了一种通用的无人机控制接口，通过MCP协议实现LLM与无人机的无缝集成，提供实时导航和飞行控制能力。
2026-09-15 cs.RO
Say the Mission, Execute the Swarm: Agent-Enhanced LLM Reasoning in the Web-of-Drones
University of Bologna（博洛尼亚大学）
本文提出一种智能体增强的LLM框架，通过MCP网关和WoT标准化实现无人机蜂群的自然语言任务自主执行，实验表明通用LLM需接地支持才能可靠运行。
2026-05-05 cs.AI cs.NI cs.RO
Mission planning for emergency rapid mapping with drones
FZI Research Center for Information Technology（FZI信息技术研究中心）；TU Dortmund University（多特蒙德工业大学）
我们介绍了一个任务规划的概念，通过一组采样地点的事件，如火灾或化学事故后立即路由无人机（UAV）。使用插值方法，考虑到所调查的现象中固有的空间相互依赖性，这些样本可以预测整个受影响地区的有害物质分布。我们定义了广义相关团队定向问题（GCorTOP）选择{信息}样本考虑观察到的和未观察到的位置之间的空间相关性，以及在调查区域的优先级。为了在时间敏感的情况下快速提供高质量的解决方案，我们提出了一个两阶段的多开始自适应大邻域搜索（2 MLS）。我们显示的竞争力的解决方案的方法，使用基准的团队定向越野问题的实例和调查的性能所提出的模型和解决方案的方法在一个广泛的研究的基础上，新引入的基准实例的任务规划问题。
2022-03-02 cs.RO
Security, Privacy and Safety Evaluation of Dynamic and Static Fleets of Drones
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）；Université de Limoges（利摩日大学）；Edinburgh Napier University（爱丁堡纳皮尔大学）；Université de Bordeaux（波尔多大学）
通过公共或私人网络相互连接的对象是现代社会的未来。这样的互连对象被称为物联网（IoT）和/或网络物理系统（CPS）。这种系统的一个示例是基于无人机（UAV）。这些车辆的车队被预言将承担多种角色，包括从普通到高敏感的任务，例如将比萨饼或购物快递送到您的家中，以进行侦察和战斗任务的战场部署。无人机，正如我们在本文中提到的无人机，可以单独操作（单独任务）或作为机队的一部分（组任务），与基站保持或不保持持续连接。基站作为指挥中心，管理无人机的活动。然而，需要独立的、本地化的和有效的机群控制，可能基于群体智能，原因如下：1）无人机机群数量的增加，2）机群中的无人机数量可能是数十的倍数，3）在野外由这样的机群做出决策的时间关键性，4）潜在的通信延迟/滞后，以及5）在某些情况下，在阻碍或授权限制与控制中心的通信的具有挑战性的地形中工作（即，长时间的行动或在敌方领土上使用这种舰队的军事用途）。这种自助、以任务为中心和独立的无人机机队可能利用群体智能进行a）空中交通和/或飞行控制管理，b）避障，c）在保持任务标准的同时进行自我保护，d）与野外其他机队（自主）合作，以及e）确保物理（无人机本身）和虚拟（数据，软件）资产的安全性，隐私性和安全性。在本文中，我们调查了无人机机队面临的挑战，并就如何克服这些挑战提出了一个潜在的行动方案。
2017-08-18 cs.AI cs.CR cs.NE
Energy-Constrained Delivery of Goods with Drones Under Varying Wind Conditions
Missouri Univ. of Science and Technology（密苏里科技大学）；Sapienza Univ. of Rome（罗马大学）；Univ. of Perugia（佩鲁贾大学）
在本文中，我们通过解决我们所谓的任务可行性问题（MFP）来研究派遣无人机将货物从仓库运送到客户的可行性。由于有效载荷的限制，无人机一次只能为一个客户提供服务。为此，我们提出了一个新的框架，根据时间依赖的成本图，正确建模的MFP和解决交付动态。当无人机在递送区域中移动时，全球风可能会改变，从而影响无人机的能量消耗，这进而可能增加或减少。这个问题是通过设计三种算法来解决的，即：（i）计算一次最小能量的路线，在任务开始时，（ii）动态地重新考虑最方便的旅行到目的地，和（iii）动态地只选择最好的本地选择。我们评估我们的算法在合成和真实世界的数据的性能。无人机能耗的变化通过曲线图边缘的成本变化来反映。每次无人机飞过一个新的顶点时，算法都会收到新的成本，并且它们在权重之前没有充分的知识。我们比较了成功完成任务的百分比（无人机交付货物并返回仓库），交付（无人机交付货物但无法返回仓库）和失败（无人机既不交付货物也不返回仓库）。
2020-12-17 cs.RO
SPIBOT: A Drone-Tethered Mobile Gripper for Robust Aerial Object Retrieval in Dynamic Environments
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
针对动态环境中无人机空中抓取重物易被螺旋桨气流吹走的难题，提出系留式六足移动夹爪系统SPIBOT，通过实时动作选择算法在多种地形上实现了稳健的1kg目标自主抓取。
2025-03-06 cs.RO
Cognitive Guardrails for Open-World Decision Making in Autonomous Drone Swarms
University of Notre Dame（内布拉斯加大学）
针对自主无人机集群在开放世界搜索救援中传统CV识别能力不足及LLM幻觉风险，本文提出并验证了用于约束高层决策的认知护栏，实现了安全合理的自主任务决策。
2025-06-01 cs.AI cs.HC cs.RO
AeroGen: Structured Prompting for Low-Code Drone-as-a-Service Mission Composition
本文提出AeroGen框架，通过结构化提示和AeroDaaS SDK实现无人机自主控制程序的可靠生成，验证了其在多种环境下的有效性。
2026-10-20 cs.DC cs.RO
Heuristic Algorithms for Co-scheduling of Edge Analytics and Routes for UAV Fleet Missions
Indian Institute of Science（印度科学学院）；Missouri Univ. of Science & Tech.（密苏里科技大学）
无人机（UAV）或无人机越来越多地用于交通监控和建筑勘测等城市应用。自主导航允许无人机访问航点并完成任务的一部分。一个常见的活动是悬停和观察一个位置使用机载相机。深度神经网络（DNN）的进步允许对此类视频进行分析，以进行自动决策。无人机还拥有边缘计算能力，用于通过这种DNN进行机载推理。为此，对于一支无人机机队，我们提出了一种新的任务调度问题（MSP），该问题共同调度飞行路线，以访问和记录航点处的视频，以及随后的机载边缘分析。建议的时间表最大限度地提高效用的活动，同时满足活动的最后期限，以及能源和计算的限制。我们首先证明了MSP是NP-困难的，然后通过制定一个混合整数线性规划（MILP）问题最优解决它。接下来，我们设计了两个有效的启发式算法，JSC和VRC，提供快速的次优解。使用真实无人机跟踪对这三个服务器进行的评估展示了不同工作负载下的实用程序-运行时权衡。
2021-02-06 cs.DC cs.RO
MorphoLander: Reinforcement Learning Based Landing of a Group of Drones on the Adaptive Morphogenetic UAV
Skoltech（斯科尔科沃科技学院）
本文提出MorphoLander异构无人机群系统，通过强化学习算法实现无人机在静止或移动领航机上的精确着陆，在平坦和不平坦地形下分别达到0.5厘米和2.35厘米的着陆精度，提升了复杂环境下的任务效率。
2023-07-28 cs.RO
Integrating Symbolic RL Planning into a BDI-based Autonomous UAV Framework: System Integration and SIL Validation
本研究提出AMAD-SRL框架，整合符号RL与BDI方法，通过SIL验证提升无人机任务效率75%。
2026-01-11 cs.AI cs.RO
Qualitative and Quantitative Risk Analysis and Safety Assessment of Unmanned Aerial Vehicles Missions over the Internet
Jinan University（暨南大学）；University of Tunis El Manar（突尼斯马纳尔大学）；National Institute of Applied Sciences and Technology, University of Carthage（迦太基大学应用科学与技术国家研究所）；Prince Sultan University（苏丹王子大学）；CISTER/INESC TEC；ISEP-IPP（波尔图理工学院工程学院）；National School of Electronics and Telecommunication（国立电子与电信学院）
在过去的几年里，无人机（UAV）作为一种新兴技术正在进行一场革命，在军事，民用和商业领域有许多不同的应用。自主无人机的出现带来了严峻的挑战，包括如何在执行任务期间保持其安全运行。无人机的安全操作仍然是一个开放且敏感的问题，因为无人机的任何意外行为或任何危险都将导致可能非常严重的潜在风险。这项工作背后的动机是提出一种方法，用于通过互联网{（无人机互联网（IoD））}保证无人机的安全。将使用两种方法进行安全性分析：（1）定性安全性分析方法，和（2）定量安全性分析方法。第一种方法使用国际安全标准，即ISO 12100和ISO 13849，通过侧重于定性评估技术来评估无人机任务的安全性。该方法从危险识别、风险评估、风险缓解开始，最后得出与无人机交付用例相关的安全建议。第二种方法提出了一种使用贝叶斯网络（BN）进行概率建模的定量安全评估方法。BN利用第一种方法提供的信息对与无人机飞行相关的安全风险进行建模。一个说明性的无人机坠毁的情况下，作为一个案例研究，其次是情景分析，以证明所提出的方法的适用性。这两种定性和定量分析使{所有相关利益相关者}能够检测、探索和解决无人机飞行的风险，这将有助于行业更好地管理无人机的安全问题。
2019-04-20 cs.CY cs.RO
AirPilot: Interpretable PPO-based DRL Auto-Tuned Nonlinear PID Drone Controller for Robust Autonomous Flights
University of California, Irvine（加利福尼亚大学欧文分校）
AirPilot提出一种基于PPO的深度强化学习自动调参非线性PID无人机控制器，在仿真和真实环境中将导航误差降低90%，导航速度提升21%，并减少稳定时间和超调量。
2025-01-21 cs.LG cs.RO cs.SY
Intuitive Human-Drone Collaborative Navigation in Unknown Environments through Mixed Reality
New York University（纽约大学）；Tandon School of Engineering（坦登工程学院）；Worcester Polytechnic Institute（伍斯特理工学院）
本文提出一种基于混合现实的人机接口，通过HMD共享空间信息，在未知环境中实现超越传统遥控的直观安全协同导航，并在模拟灾后场景中验证其优于FPV控制。
2025-04-08 cs.RO
Extending the Range of Drone-based Delivery Services by Exploration
Ulsan National Institute of Science and Technology（蔚山科学技术院）
由于电池寿命有限，无人机的航程相当短。我们提出了一种自适应探索技术，通过利用城市环境中的高层建筑和树木等物理结构来扩展无人机的范围。我们的目标是通过生成无人机到达目的地的路径来扩展无人机交付服务的覆盖范围，同时了解其路径上每个边缘的能耗，以便优化其未来任务的范围。我们评估了我们的探索策略在寻找城市中所有可达目的地的集合时的性能，发现根据当前能量模型探索可达集合边界附近的位置可以加快学习过程。
2020-12-17 cs.RO
Human-LLM Synergy in Context-Aware Adaptive Architecture for Scalable Drone Swarm Operation
Honda Research Institute Europe, Germany（本田欧洲研究机构）
针对灾害响应中无人机蜂群协调的固定架构低效问题，提出利用大语言模型根据实时任务参数动态选择集中式、层级式或全息式架构的自适应方法，仿真验证其在可扩展性、能效和连接性上优于静态模型。
2025-09-03 cs.MA cs.RO
Human-Centric Aware UAV Trajectory Planning in Search and Rescue Missions Employing Multi-Objective Reinforcement Learning with AHP and Similarity-Based Experience Replay
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科中心）；University of Luxembourg（卢森堡大学）
本文提出融合AHP与基于相似性经验回放的多目标强化学习框架，以兼顾作业、舒适与安全来规划搜救无人机轨迹，并调查性别线索和拟人化设计对公众接受与信任的影响。
2024-02-28 cs.AI cs.HC cs.LG
A lunar reconnaissance drone for cooperative exploration and high-resolution mapping of extreme locations
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；eSpace - EPFL Space Center（eSpace - EPFL空间中心）；Advanced Quantum Architecture Laboratory (AQUA)（先进量子架构实验室）
提出一种轻量自主可重复使用的月球侦察无人机及其服务站点系统，通过高分辨率测绘和协同探索，显著提升月球极端位置的勘测效率并降低对地通信需求。
2023-06-19 cs.RO
FleetScape: A Mixed Reality Sandtable for Spatial Supervision and Control of Scalable Drone Fleets
University of Toulouse, Fédération ENAC ISAE-SUPAERO ONERA（图卢兹大学、法国航空航天学校联合会、高等航空航天学院、法国航空航天研究院）；CNRS, IPAL（法国国家科学研究中心、IPAL机构）；National University of Singapore（新加坡国立大学）；National University of Singapore, Augmented Human Lab（新加坡国立大学增强人类实验室）；National University of Singapore, School of Computing（新加坡国立大学计算机学院）
该研究提出混合现实沙盘系统FleetScape，通过空间交互优化无人机机群监督，经用户研究验证其对态势感知和控制切换的作用，同时得出相关设计启示。
2026-08-31 cs.HC cs.RO
Integrated Multi-Drone Task Allocation, Sequencing, and Optimal Trajectory Generation in Obstacle-Rich 3D Environments
Aerospace Engineering Department, Faculty of Aeronautics and Astronautics, Kocaeli University（科贾埃利大学航空与航天学院航空航天工程系）；Interdisciplinary Research Center for Aviation and Space Exploration, KFUPM（法赫德国王石油矿产大学航空与空间探索跨学科研究中心）；Mechanical Engineering Department, Faculty of Aeronautics and Astronautics, Kocaeli University（科贾埃利大学航空与航天学院机械工程系）
本文提出IMD-TAPP框架，通过结合离散任务规划和连续轨迹合成，解决多无人机在障碍密集环境中的任务分配、序列规划和安全轨迹生成问题，实现动态可行且无碰撞的高效路径。
2026-03-26 cs.AI cs.MA cs.RO
Robust Fleet Sizing for Multi-UAV Inspection Missions under Synchronized Replacement Demand
Robotics Research Center, IIIT Hyderabad（IIIT海得拉巴机器人研究中心）
本文针对多无人机巡检任务中同步替换需求的鲁棒编队问题，提出一种闭式充分编队规则，通过增加缓冲无人机数量提升任务可靠性。
2026-07-14 cs.RO
Formation-based Selection of Drone Swarm Services
The University of Sydney（悉尼大学）
越来越多的无人机被要求执行一架无人机无法完成的任务。特别是，在交付中，由于蜂群有限的飞行耐力而出现问题。因此，我们提出了一种新的编队引导框架，用于选择基于Swarm的无人机即服务（SDaaS）进行交付。进行了详细的研究，以强调蜂群形成对能量消耗的影响。两种SDaaS选择方法，即固定和自适应，设计考虑到不同的编队决策群体可以采取。建议的框架考虑了外部约束，包括风速和风向。我们为每种方法提出SDaaS选择算法。实验结果证明了算法的有效性。
2020-11-13 cs.RO
Autonomous Drone Landing: Marked Landing Pads and Solidified Lava Flows
Reykjavik University（雷克雅未克大学）
着陆是多旋翼无人机飞行中最具挑战性和风险的方面，对于自主无人机来说，只有简单的着陆方法。我们探讨了两种情况下自主无人机着陆的方法。在第一种情况下，我们研究的方法着陆在已知的着陆垫使用基准标记和万向架安装的单目相机。这种方法在无人机应用中具有潜力，其中无人机必须比GPS可以提供的更准确地着陆（例如，城市峡谷中的包裹递送）。我们扩大了以前的方法，通过驱动无人机的摄像头跟踪标记随着时间的推移，我们解决的复杂性所造成的基准标记方向模糊的姿态估计。在第二种情况下，我们与RAVEN项目合作，探索在冰岛凝固的熔岩流上着陆的方法，冰岛作为火星的模拟环境，并提供了对无人机漫游者探索团队有效性的见解。我们的无人机使用深度摄像头来可视化地形，我们正在开发方法来分析地形数据，以实时的可行着陆点，最大限度地减少传感器和外部基础设施的需求，因此该解决方案不会严重影响无人机的行为，任务结构或操作环境。
2023-02-01 cs.RO
Redefining Aerial Innovation: Autonomous Tethered Drones as a Solution to Battery Life and Data Latency Challenges
本文探讨自主系留无人机通过系绳供电和直接数据传输，解决电池寿命和数据延迟问题，提升长时间监视与实时处理能力，推动无人机行业创新。
2024-02-28 cs.RO
Fleets Need a Context Plane: Rethinking Cooperative Perception for Autonomous Drones
Texas Tech University（德克萨斯理工大学）
针对无人机机群协同感知的上下文适配问题，提出上下文平面接口，实现低开销运行时策略决策，在UAV3D上验证了其准确率与全量共享相当且带宽占用极低。
2026-09-02 cs.DC cs.ET cs.RO
A Methodology for Designing Knowledge-Driven Missions for Robots
Computer Vision and Aerial Robotics group (CVAR), Centre for Automation and Robotics (CAR) Universidad Politécnica de Madrid (UPM), Madrid, Spain（计算机视觉与空中机器人小组（CVAR）、自动化与机器人中心（CAR）马德里理工大学（UPM）、马德里，西班牙）
本文提出了一种基于知识图谱的机器人任务设计方法论，通过在ROS 2系统中实现，提升自主任务的效率和智能性。
2026-07-30 cs.AI cs.RO
Synthetic Aperture Sensing for Occlusion Removal with Drone Swarms
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）
我们展示了自主无人机群在检测和跟踪茂密森林地区的遮挡目标方面的效率，例如在搜索和救援任务中迷路的人。探索和优化局部观察条件，如遮挡密度和目标视图清晰度，提供了比以前更快和更可靠的结果，盲采样策略是基于预定义的航点。一个适应的实时粒子群优化算法和一个新的目标函数，能够处理动态和高度随机的通过树叶的条件。合成孔径传感是我们的基本采样原理，无人机群被用来近似极宽和适应性极强的机载镜头的光学信号。
2022-12-30 cs.CV cs.RO
Agent-based Simulation for Drone Charging in an Internet of Things Environment System
University of Campinas (UNICAMP)（坎皮纳斯大学）
本文提出一种用于物联网和工业4.0环境中协调无人机集群电池充电的基于智能体的仿真模型，详细描述了系统架构与实现，并通过智慧农业用例和机器学习技术验证了自主协调策略对优化电池使用和任务效率的有效性。
2025-09-13 cs.MA cs.NI cs.RO
Flexible Computation Offloading at the Edge for Autonomous Drones with Uncertain Flight Times
University of Thessaly（色萨利大学）
针对资源受限的无人机与边缘服务器计算卸载问题，提出一种动态去中心化的协议与资源预留方案，使无人机自主决定是否卸载计算任务，实验证明该方法显著缩短了任务时间并优于多种基线策略。
2023-10-18 cs.RO cs.SY eess.SY
A Novel Multi-Layer Framework for BVLoS Drone Operation: A Preliminary Study
University of Perugia（佩鲁贾大学）；Jadavpur University（贾达普大学）；University of Florence（佛罗伦萨大学）
无人机在包括农业、应急响应和包裹递送在内的各种领域越来越受欢迎。然而，由于安全问题，大多数无人机操作目前仅限于视觉视线（vlos）内。无人机的超视距飞行带来了新的挑战和机遇，但也需要新的技术和监管框架，以确保无人机始终处于远程操作员的控制之下。在这个初步研究中，我们假设使用可用的地面蜂窝网络基础设施远程控制无人机。我们建议使用一种新颖的多层框架来规划bvlos无人机操作，该框架包括许多层与现实世界场景和挑战非常相似的约束。这些层包括无人机故障时的潜在地面风险、可用的地面蜂窝网络基础设施以及地面障碍物的存在等信息。从多层框架中，构建了一个图，该图的边用考虑多层框架的信息的可靠性得分进行加权。然后，bvlos无人机任务的规划相当于在所构造的图上求解最大路径依赖性问题，该问题可以通过应用Dijkstra算法来求解。
2023-01-14 cs.RO
A Safety-Driven Architectural Framework for Fail-Operational Drone Swarms in Critical Missions
Mälardalen University（梅拉达伦大学）
针对安全关键操作中无人机集群的认证需求，提出结合SAE ARP4754B方法的混合关键度架构框架，通过硬件隔离的安全监控器实现飞行关键核心与集群管理器解耦，经马尔可夫建模可满足危险故障要求。
2026-08-24 cs.MA cs.RO cs.SY
Runtime Anomaly Detection for Drones: An Integrated Rule-Mining and Unsupervised-Learning Approach
Singapore Management University（新加坡国立管理学院）
针对无人机运行时故障检测的泛化、可解释性和领域知识融合难题，本文提出RADD，结合44条规则与五个无监督模型，在六类故障上实现93.84%召回率和2.33%误报率，并优于LSTM方法。
2025-05-03 cs.LG cs.RO cs.SE
Multi-Task Bayesian Optimization for Tuning Decentralized Trajectory Generation in Multi-UAV Systems
Dipartimento di Scienze e Tecnologie Aerospaziali, Politecnico di Milano（航空航天科学与技术系，米兰理工学院）
本文提出利用多任务贝叶斯优化调优多无人机系统中去中心化轨迹生成算法，通过比较单任务与平均任务优化策略，发现单任务优化在群体规模增大时任务时间缩短，但优化时间更长。
2025-12-09 cs.MA cs.RO
Design and Control of a Perching Drone Inspired by the Prey-Capturing Mechanism of Venus Flytrap
State Key Laboratory of Robotics and Systems, Harbin Institute of Technology（机器人系统国家重点实验室，哈尔滨工业大学）
受捕蝇草捕食机制启发，提出一种主动柔性栖息无人机，结合级联扩展高增益观测器控制方法，实现100 ms内高效稳定栖息并有效抵抗外部扰动。
2025-09-16 cs.RO
AirSwarm: Enabling Cost-Effective Multi-UAV Research with COTS drones
Centre for Advanced Robotics Technology Innovation (CARTIN)（高级机器人技术创新中心（CARTIN））；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
AirSwarm利用低成本商用无人机、分层控制架构、无基础设施视觉SLAM和ROS框架，降低多无人机集群研究的技术与资金门槛，实现厘米级定位与可靠协调。
2025-03-10 cs.RO
A Survey of Medical Drones from Flight Dynamics, Guidance, Navigation, and Control Perspectives
Department of Mechanical Engineering, Texas Tech University（机械工程系，得克萨斯理工大学）
本文从飞行动力学、导航与控制角度综述医疗无人机，探讨任务需求、载具设计、GNC算法及优化方向。
2026-01-05 cs.RO
PILOT: High-Precision Indoor Localization for Autonomous Drones
Department of Electrical and Computer Engineering, Virginia Tech（弗吉尼亚理工大学电气与计算机工程系）
在许多情况下，无人机（UAV），又名无人机，需要具有自主飞行的能力才能成功执行任务。为了实现这些自主飞行，无人机需要不断地知道它们的位置。然后，基于当前位置和最终目的地，将生成导航命令，并将无人机引导到目的地。定位可以很容易地在户外环境中使用GPS信号和无人机惯性测量单元（IMU）进行。然而，这种方法在室内环境或GPS拒绝区域中是不可行的。在本文中，我们提出了一种专门针对室内环境设计的无人机定位方案，称为PILOT（自主无人机的高精度室内定位）。PILOT依靠超声波信号来估计目标无人机的位置。为了对无人机的位置进行精确的最终估计，PILOT部署了一个三阶段定位方案。前两个阶段提供对室内环境的多径衰落效应的鲁棒性，并减轻测距误差。然后，在第三阶段，PILOT部署了一个简单而有效的技术，以减少由发射机和接收机之间的相对几何形状引起的定位误差，并显着降低高度估计误差。在不同场景下对PILOT算法进行了性能评估，结果表明PILOT算法在无人机三维定位中达到厘米级精度。
2022-01-25 cs.RO eess.SP
Custom PX4 firmware for autonomous hybrid aerial-marine missions
PRISMA Lab, Department of Electrical Engineering and Information Technology, University of Naples Federico II（那不勒斯费德里科二世大学）
本文提出PX4固件扩展，集成手动与自主海上导航模式，支持混合空中-海上任务统一规划，仿真验证了稳定水面导航。
2026-09-18 cs.RO
Multi-Agent Spatial Predictive Control with Application to Drone Flocking (Extended Version)
Stony Brook University（石溪大学）；Microsoft（微软）；Technische Universität Wien (TU Wien)（维也纳工业大学）
我们引入空间预测控制（SPC）的新概念来解决以下问题：给定代理的集合（例如，无人机）与位置的低级别控制器（LLC）和特定任务的分布式成本函数，如何才能实现和保持成本函数最小化的分布式控制器没有植物模型和只有位置的观察环境？我们的完全分布式SPC控制器严格基于代理本身的位置及其相邻代理的位置。在每个时间步中使用该信息来计算成本函数的梯度并执行空间前瞻以预测LLC的最佳下一目标位置。使用高保真仿真环境，我们表明，SPC优于最密切相关的一类控制器，潜在的场控制器，无人机群集问题。我们还表明，SPC是能够应付一个潜在的仿真到现实迁移差距，通过展示其在真实硬件上的性能，即我们的实现使用9 Crazyflie 2.1无人机的植绒。
2022-03-31 cs.MA cs.RO
A Step-by-Step Guide to Creating a Robust Autonomous Drone Testing Pipeline
Macquarie University（麦考瑞大学）
本文提出涵盖软件在环、硬件在环等四阶段的自主无人机测试分步指南，结合着陆系统案例说明验证方法，介绍相关新兴测试趋势，助力全面验证无人机系统、降低部署风险。
2025-06-13 cs.RO cs.SE
Enhancing Multirotor Drone Efficiency: Exploring Minimum Energy Consumption Rate of Forward Flight under Varying Payload
University of California, Davis（加利福尼亚大学戴维斯分校）
本文基于第一性原理能量模型，通过解析推导与数值验证证明：多旋翼在不同载荷质量下以最优速度前飞时，单位质量单位距离能耗的最小值为常数，为能效优化与航时航程提升提供依据。
2025-01-06 cs.RO cs.SY eess.SY
LLM-Land: Large Language Models for Context-Aware Drone Landing
Department of Electrical and Computer Engineering（电气与计算机工程系）；Drexel University（德雷塞尔大学）；Department of Electrical and Systems Engineering（电气与系统工程系）；University of Pennsylvania（宾夕法尼亚大学）
本文提出 LLM-Land 混合框架，利用 VLE、轻量级 LLM 与 RAG 推断场景安全缓冲，并结合 MPC 实时重规划，提升无人机在动态杂乱环境中的安全精准降落能力。
2025-05-09 cs.RO
Decision Transformer-Based Drone Trajectory Planning with Dynamic Safety-Efficiency Trade-Offs
针对无人机轨迹规划中安全与效率权衡需专业调参、现有方法未明确处理该问题的局限，提出基于Decision Transformer的规划器，用单一RTG参数动态调节权衡，无需专业知识，在仿真与真实实验中均优于基线方法。
2025-07-30 cs.AI cs.RO
Multi-sensory Anti-collision Design for Autonomous Nano-swarm Exploration
University of Bologna（博洛尼亚大学）；KU Leuven（鲁汶大学）；ETH Zürich（苏黎世联邦理工学院）；Dalle Molle Institute for Artificial Intelligence (IDSIA), USI-SUPSI（USI-SUPSI 达尔·莫勒人工智能研究所（IDSIA））
本文提出一种结合激光测距、视觉避障和UWB测距的多传感器防碰撞系统，将纳米蜂群任务成功率从20%提升至80%，并实现92.8%的机内防撞率。
2023-12-20 cs.RO cs.SY eess.SY
Agentic AI for Safety-critical Multi-drone Systems: Challenges and Opportunities
Aalborg University（奥尔堡大学）；University of Southern Denmark（南丹麦大学）
本文针对安全关键多无人机系统应用受限问题，结合NAMUR、PERSIST项目经验，提出将智能体AI作为社会技术设计问题，采用以人为本的迭代方法开发可迁移的概念验证系统与评估策略。
2026-08-25 cs.AI cs.ET cs.HC
Tiny-PULP-Dronets: Squeezing Neural Networks for Faster and Lighter Inference on Multi-Tasking Autonomous Nano-Drones
University of Bologna（博洛尼亚大学）；ETH Zürich（苏黎世联邦理工学院）；Technology Innovation Institute（技术创新研究院）；Dalle Molle Institute for Artificial Intelligence（达勒·莫勒人工智能研究所）
本文提出 Tiny-PULP-Dronet 压缩方法，在保持 PULP-Dronet 飞行性能的同时将参数减少50倍、乘加运算减少27倍，为资源受限纳米无人机实现多任务智能提供轻量推理方案。
2024-07-02 cs.CV cs.LG cs.RO
Optimality-Preserving Decomposition for Scalable QAOA in Natural-Language-Guided Multi-Drone Assignment
Korea University（高丽大学）
提出端到端框架，集成微调大语言模型与量子-经典后端，通过约束保持图分割和动态规划合并，实现自然语言引导下多无人机任务分配的可扩展量子优化。
2026-06-15 cs.RO
Robot builds a robot's brain: AI generated drone command and control station hosted in the sky
Department of Electrical Engineering and Computer Science, University of California, Irvine（电气工程与计算机科学系，加州大学伊文斯顿分校）
本研究展示了一个完全由AI生成代码的无人机指挥控制平台，在真实和模拟无人机上运行，开发速度比人工编码快数量级，揭示了AI生成机器人代码的潜力与局限。
2025-08-04 cs.RO
Comparative Analysis of Military Detection Using Drone Imagery Across Multiple Visual Spectrums
School of Computer Engineering KIIT Deemed to be University（计算机工程学院 KIIT deemed to be 大学）
本文研究了不同光谱条件下无人机影像用于军事目标检测的问题，通过构建四种不同数据集（灰度、热成像、夜视和模糊成像）来评估模型在不同环境下的性能，提出了一种改进的YOLOv11-small模型以提升无人机作战的性能和可靠性。
2026-05-20 cs.AI cs.CV cs.LG
PACED-5G: Predictive Autonomous Control using Edge for Drones over 5G
Luleå University of Technology（吕勒奥理工大学）；Ericsson Research（爱立信研究院）
随着边缘计算等技术的出现，远程计算应用的视野已经多维地拓宽。无人机任务是利用远程计算来提高其性能的重要应用。然而，将计算复杂性卸载到远程系统增加了系统中的等待时间。虽然5G网络等技术可以最大限度地减少通信延迟，但延迟对无人机控制的影响是不可避免的，可能会破坏系统的稳定性。因此，在控制设计中必须考虑系统中的延迟并对其进行补偿。因此，我们提出了一种新的基于边缘的预测控制架构，该架构由5G网络实现，PACED-5G（5G上使用边缘的无人机预测自主控制）。在所提出的控制架构中，我们设计了一个状态估计器，用于根据时变延迟的可用知识估计当前状态，设计了一个模型预测控制器（MPC），用于无人机在避开障碍物的同时跟踪参考轨迹，并提供了一个接口，用于将高级任务卸载到边缘系统上。所提出的架构进行了验证，在两个实验测试情况下，使用四旋翼无人机。
2023-01-30 cs.RO
Hand-worn Haptic Interface for Drone Teleoperation
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
无人机遥控操作通常使用远程无线电控制器来完成，这些设备对于没有经验的用户来说很难掌握。此外，反馈给用户的关于机器人状态的信息量有限，通常仅限于视觉，可能在几种情况下成为操作的瓶颈。在这项工作中，我们提出了一个可穿戴的接口无人机遥操作和评估，通过用户研究。所提出的系统的两个主要特点是一个数据手套，允许用户控制无人机的轨迹，通过手部运动和触觉系统，用于增强他们对机器人周围环境的认识。该接口可用于无经验操作员在视线范围内操作机器人系统，并允许他们安全地执行检查和搜救任务中常见的任务，例如接近墙壁和穿越能见度有限的狭窄通道。除了可穿戴界面的设计和实现之外，我们还进行了一项系统研究，通过三项用户研究（n = 36）来评估系统的有效性，以评估用户的学习路径及其在有限可见度下执行任务的能力。我们在模拟和真实环境中验证了我们的想法。我们的研究结果表明，该系统可以提高遥操作性能在不同的情况下相比，标准的遥控器，使其成为一个可行的替代标准的人机界面。
2020-04-15 cs.RO
