unmanned aerial vehicle
PulseAugur coverage of unmanned aerial vehicle — every cluster mentioning unmanned aerial vehicle across labs, papers, and developer communities, ranked by signal.
- instance of DagsHub 90%
- used by deep reinforcement learning 90%
- used by 6G 80%
- used by Open Radio Access Network 80%
- used by UAVDT 70%
- used by alphaXiv 70%
- partners with unmanned ground vehicle 70%
- developed deep reinforcement learning 70%
- affiliated with 6G 60%
- affiliated with Open Radio Access Network 60%
- used by DagsHub 60%
- competes with unmanned ground vehicle 50%
20 天有情绪数据
-
新的SASGeo框架助力GNSS受限的UAV进行语义地图定位
研究人员开发了SASGeo，一个新颖的语义地图定位框架，旨在帮助在没有全球导航卫星系统（GNSS）信号的情况下运行的无人机（UAV）。该系统利用道路和建筑物等持久性环境特征来提供绝对位置修复，限制了视觉惯性里程计固有的漂移。一个合成的概念验证表明，空间语义匹配变体在各种扰动下实现了高召回率，优于全局语义描述符，尽管仍需要进一步的实际飞行验证。
-
新的FSD-VLN架构通过双系统方法增强了无人机导航
研究人员开发了FSD-VLN，一种用于航空视觉语言导航的新型双系统架构。该系统旨在通过将高级语义推理与低延迟飞行控制分离，来提高无人机（UAV）的自主导航能力。该架构包含一个用于语义理解的慢速流和一个使用Diffusion Transformer进行动作生成的快速流，从而在模拟中显著提高了导航成功率并降低了延迟。
-
新基准UniRef-UAV通过多模态查询增强UAV目标定位
研究人员推出UniRef-UAV，这是一个新的多模态基准，旨在提高无人机（UAV）使用多样化指令定位目标的能力。该基准通过支持纯文本、纯图像以及文本-图像组合查询来扩展现有方法，并能处理无目标、单目标或多目标场景。研究团队还开发了UAV-URNet，一个基线模型，将各种查询类型映射到共享空间并预测目标集，在区分缺失目标和处理可变输出基数方面表现优于大型多模态模型。
-
新的3D树木重建方法使用低成本无人机
研究人员开发了一种使用低成本无人机（UAV）和CraneCam系统对落叶树进行3D重建的方法。该技术旨在监测枝条伸长，这是受气候变化影响的树木生长的一个关键方面，但历史上难以测量。该研究使用消费级无人机实现了5-6毫米的3D点精度，并报告了92%至98%的重建完整性。该论文还介绍了一个3D打印的地面实况分支，用于评估细枝条等精细细节的重建。
-
新框架评估合成雾中的无人机检测与跟踪
研究人员开发了一个新的框架，用于评估在雾天条件下无人机（UAV）的检测和跟踪能力。该框架使用从真实图像生成的合成雾来测试各种图像恢复方法及其对目标检测和跟踪性能的影响。研究发现，雾会显著降低检测和跟踪性能，其中包含雾的训练提供了最稳健的改进，而测试时恢复在仅在清晰图像上训练的模型时最有效。研究强调，恢复质量并不总是与下游感知任务的改进直接相关。
-
SpatialFly框架通过3D几何引导增强无人机导航
研究人员开发了SpatialFly，一个旨在改善无人机（UAV）在复杂3D环境中视觉与语言导航（VLN）的新框架。该系统通过将全局结构线索注入2D语义令牌，提供场景级几何引导，解决了2D视觉感知与3D决策之间的不匹配问题。SpatialFly的自适应重参数化模块然后使用几何条件注意力与融合来精炼这些视觉令牌，从而提高轨迹对齐度和飞行路径平滑度。实验表明，SpatialFly在熟悉和新颖的环境中均优于现有的UAV VLN基线，降低了导航…
-
AI 系统 EcoVision 使用无人机图像进行盐沼植被测绘
研究人员开发了 EcoVision，这是一个利用无人机图像进行盐沼植被监测的 AI 驱动系统。该系统采用基于 Transformer 的语义分割和 ConvNeXt 架构，对 Spartina maritima 和 Puccinellia maritima 进行精细物种分类。EcoVision 的优势度估算与实地调查结果高度一致，为可扩展、高分辨率的生态监测提供了一种实用的方法。
-
DreamNav框架利用扩散模型实现无人机末端精确定位导航
研究人员开发了DreamNav，一个利用单目视觉实现无人机（UAV）末端精确定位导航的新型框架。该方法通过一个两阶段过程解决了尺度模糊和视角变化等挑战：一个使用鲁棒回归策略的粗略估计阶段，以及一个利用预训练世界模型进行视觉想象的扩散模型精炼阶段。为了便于评估，研究团队还引入了PairUAV，一个源自University-1652数据集的大规模基准数据集，包含72个场景的480万张图像对。实验表明，与现有的视觉伺服和基础模型基线相比，D…
-
数字孪生框架增强交通状况下无人机路面监测能力
研究人员开发了一个使用Unity Technologies的数字孪生框架，以改善在真实交通条件下无人机（UAV）的路面监测。该框架集成了YOLOv8n感知模块，用于检测道路缺陷、行人和车辆，并结合了动态交通代理和自主无人机导航。该系统在合成数据上取得了高性能，并用于评估不同的恢复策略，证明了飞行高度和恢复方法对检查覆盖范围、任务持续时间和能源消耗有显著影响。
-
新系统Pharos提升城市空域无人机安全性
研究人员开发了Pharos，一个专为复杂城市环境设计的新型多无人机空域管理系统。该系统旨在通过防止碰撞和减轻人类恐惧来提高安全性，定位在完全分布式和集中式控制范式之间。Pharos利用MAPPO算法进行高效协调，与现有基准相比，在减轻人类恐惧方面提高了52%以上，并提高了70%的空间利用率。
-
研究揭示数据泄露导致射频无人机检测基准准确性虚高
一篇新发表在arXiv上的研究调查了射频（RF）无人机检测基准中的数据泄露问题。研究指出，将连续录音分割成片段用于训练和测试，可能导致准确性分数虚高，因为近乎重复的数据可能同时出现在两个集合中。该论文使用Cover的函数计数定理对这种乐观情绪进行了形式化，表明当独立录音的数量相对于特征维度较小时，准确性可能接近1.0。在合成数据和公开的DroneRF数据集上进行的实验证实了这些发现，显示在考虑泄露后性能显著下降。
-
无人机使用几何感知框架进行跨高度信道知识图谱绘制
研究人员开发了一种新颖的框架，用于预测无人机辅助通信在不同高度的信道知识图谱（CKMs）。这种几何感知方法整合了城市场景先验、稀疏多高度观测和目标高度描述符，以重建未观测高度的密集CKMs。框架中包含一个不确定性头，用于管理预测置信度，并在运动和安全约束下实现成本感知感知。实验表明，所提出的FPN-Transformer模型在降低均方根误差（RMSE）方面优于基线3D-RadioDiff，并通过不确定性引导感知策略改进了主动重建。
-
DynFly框架通过连续轨迹生成增强无人机导航
研究人员开发了DynFly，一个旨在改善城市环境中无人机（UAV）连续轨迹生成的新框架。该系统通过使用在B样条控制点上通过流匹配训练的Spline-DiT生成器，弥合了高级导航推理与可执行无人机运动之间的差距。DynFly整合了动态感知监督，考虑了位置、速度、加速度和航向一致性等因素，以确保生成的轨迹与无人机的运动特性保持一致。在OpenUAV基准上的实验表明，与现有方法相比，导航性能和轨迹质量有了显著提高。
-
AI框架助力无人机在颠簸海况下实现100%着陆成功率
研究人员开发了一种新颖的框架，用于无人机（UAV）在海上平台上的自主着陆，解决了恶劣海况带来的挑战。该系统采用了两个独立的深度强化学习（DRL）代理：一个使用软Actor-Critic（SAC）进行着陆甲板的主动波浪补偿，另一个负责无人机的最终进近。模拟显示，即使在恶劣条件下，平台也能在1度以内保持水平稳定，着陆成功率达到100%。
-
JetBlue客机报告称在肯尼迪国际机场附近遭到无人机撞击；美国联邦航空局正在调查
周一，一架JetBlue客机报告称在接近肯尼迪国际机场时撞上了一架无人机。这架空中客车A321飞机从拉斯维加斯飞来，安全着陆，后续检查显示没有损坏或碰撞证据。美国联邦航空局已对此事件展开调查。
-
CollabOD框架提升无人机图像中小目标检测能力
研究人员推出CollabOD，一个旨在提高无人机（UAV）图像中小目标检测能力的新框架。该方法通过保留详细特征并在融合前对齐不同数据流，解决了尺度变化剧烈和计算资源有限等挑战。CollabOD在VisDrone、UAVDT和AI-TOD等基准数据集上表现强劲，在保持快速推理速度的同时实现了高检测精度。
-
新的AerialMetric数据集为无人机深度估计设定基准
研究人员推出了AerialMetric，这是一个旨在改进无人机（UAV）单目度量深度估计的新基准数据集。由于显著的领域差异，在地面数据上训练的现有模型在航空视角下表现不佳。AerialMetric包含四个子集，拥有超过68,000个图像-深度对，包括真实世界摄影测量、受控航空采集、合成场景和互联网图像。该数据集有助于对当前深度估计模型进行系统评估，并研究视角和高度等参数对预测精度的影响。
-
新框架可在无CAD模型情况下从单张图像估计无人机姿态
研究人员开发了MF-UAVPose6D，一个新颖的框架，仅使用单个单目RGB图像即可估计固定翼无人机（UAV）的六自由度（6-DoF）姿态。这种无模型方法解决了非合作目标缺乏计算机辅助设计（CAD）模型或关键点先验的挑战。该框架包含一个视角感知模块（PAM）和动态拓扑采样（DTS），以提高姿态估计的准确性，特别是在旋转和深度恢复方面。为支持这项研究，创建了FW-UAV6DPose合成数据集，其中包含各种固定翼无人机的观测数据。
-
新框架利用无人机和高斯溅射技术实现逼真的玻璃幕墙数字化
研究人员开发了RefGlass-GS，一个旨在创建具有高度逼真和交互式数字模型的建筑反射玻璃幕墙的新框架。该系统利用无人机（UAV）进行数据采集，并采用优化的高斯溅射技术，结合新颖的反射MLP，精确渲染复杂的反射。该框架还包括精确的玻璃面板分割方法和基于对象的建模标准化数据组织，增强了其在数字孪生平台等应用中的实用性。
-
FLAME 3 数据集发布，助力 AI 驱动的野火管理
研究人员发布了 FLAME 3 数据集，这是一个专为野火管理设计的新型同步可见光谱和辐射热影像集合。该数据集建立在之前的 FLAME 系列之上，包含辐射热 Tag Image File Format (TIFFs) 和天顶热图，提供了一种新颖的数据类型和采集方法。FLAME 3 的目标是利用辐射成像提供的详细温度估算，促进用于野火检测、分割和评估等任务的高级机器学习模型的发展。