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%
- instance of alphaXiv 90%
- instance of Gotit.pub 90%
- instance of ScienceCast 90%
- instance of CatalyzeX 90%
- used by deep reinforcement learning 90%
- used by Mappō 90%
- used by Open Radio Access Network 80%
- used by 6G 70%
- used by MLLMs 70%
- partners with unmanned ground vehicle 70%
- affiliated with unmanned ground vehicle 70%
- 2026-07-19 research_milestone Engineers developed an AI-optimized drone that uses visual illusions for near-invisibility, presented at the 2026 Robotics: Science and Systems Conference. 来源
22 天有情绪数据
-
少样本微调优于无监督迁移学习的跨作物杂草检测
研究人员调查了农业杂草检测模型在不同作物和田地间的可迁移性。他们发现，使用目标作物中仅25个标记示例的少样本微调，优于无监督域适应技术。这表明，选择相关的源域并应用最小的目标监督，比复杂的迁移学习算法在跨作物杂草检测方面更有效。
-
研究论文分析了机器学习中物理先验的成本
一篇新发表在arXiv上的研究论文探讨了将物理先验纳入机器学习模型所产生的成本。研究表明，这种成本主要受自由特征和验证集划分的影响，而不仅仅是先验本身的属性。研究结果表明，受约束的模型不应被其消融版本超越，并且在野火严重性任务上的实证结果说明了坐标如何充当保护罩，显著降低了应用先验的成本。
-
《赛博朋克：边缘行者》第二季预告片揭示与《赛博朋克2077》的主要情节联系
《赛博朋克：边缘行者》第二季的第三个预告片揭示了与电子游戏《赛博朋克2077》主线剧情的重大联系。具体来说，一个名叫 D 的角色被展示拥有一个 Relic 芯片，这是一种实验性技术，是游戏情节的核心，其中包含一个人的意识。这一揭示表明新一季将大量出现这项技术，可能探讨其影响以及亚萨卡（Arasaka）在存储各种个体精神方面的参与。
-
无人机和人工智能革新基础设施检查，新综述发现
一项新的文献综述和框架提案详细介绍了在建筑、工程、施工和设施管理（AEC+FM）领域使用无人机（UAVs）进行基础设施检查。该论文综合了150多项研究，重点介绍了数据采集、缺陷检测和决策支持的方法，并结合了YOLO和Faster R-CNN等先进的机器学习模型。它还讨论了RGB图像、LiDAR和热成像传感与基于Transformer的架构的集成，以提高识别结构缺陷和异常的准确性。研究确定了实时处理和多模态数据融合方面仍存在的挑战，并提…
-
人工智能利用无人机图像检测海水中的微塑料
研究人员正在探索利用人工智能，通过无人机拍摄的高光谱图像来识别海水中的微塑料颗粒。这种创新的方法旨在应对微塑料造成的环境挑战，微塑料已被证明会对水生生物造成危害。
-
视觉里程计方法用于无人机导航的评估
一篇新论文评估了用于无人机（UAV）视觉里程计系统的各种图像匹配技术。该研究旨在改善无人机在全局导航卫星系统（GNSS）信号不可靠环境中的导航能力。研究发现，虽然RoMa匹配器表现最佳，但传统的尺度不变特征变换（SIFT）特征仍然优于一些较新的方法。
-
GrabVG框架提升无人机图像中的视觉定位能力
研究人员推出GrabVG，一个专为无人机（UAV）图像视觉定位设计的新框架。该方法通过采用两阶段流程来应对密集、相似物体和模糊空间配置的挑战：预注意力假设搜索和图注意力特征绑定。系统首先生成物体假设，然后将它们组织成一个图，通过图注意力处理视觉线索和拓扑关系以实现精确的定位。在AerialVG和AerialSense数据集上的实验表明，GrabVG在准确性和速度方面显著优于现有基线。
-
新的DynCur-Geo框架通过动态奖励增强无人机地理定位
研究人员开发了DynCur-Geo，一个新颖的动态好奇心框架，旨在改进无人机（UAV）的主动地理定位。与使用固定权重的先前方法不同，该系统根据到目标的剩余距离动态调整内在奖励权重。集成了距离感知门控和基于势能的奖励塑造，以平衡探索和目标导向行为，从而在各种挑战性场景中实现一致的性能提升。
-
新的AI模型可从航空影像估算飓风碎片体积
研究人员开发了DebrisHeightNet，一个用于从单张航空RGB影像估算飓风碎片体积的新颖系统。该方法使用基于冻结基础模型的轻量级网络，通过回归高度并以碎片分割为条件。为了克服缺乏地面真实数据的问题，他们使用置信度加权的LiDAR-单目融合技术合成了训练目标。该系统的估算结果与独立的无人机调查结果非常吻合，并且显著优于传统的参数化预测，为碎片评估提供了更准确、更有效的方法。
-
扩散模型通过强化学习和数字孪生增强无人机决策能力
一篇新研究论文探讨了将扩散模型（DMs）与强化学习（RL）和数字孪生（DT）技术相结合，以增强无人机（UAVs）的能力。该论文利用扩散模型学习概率分布和生成真实数据的能力，解决了无人机决策和建模中的挑战，从而提高了强化学习训练和数字孪生仿真的准确性和效率。仿真结果表明，扩散模型在通过深度强化学习进行的无人机集群协调任务中，在生成邻近速度估计方面非常有效。
-
新的AeroGround基准揭示了视觉语言模型（VLM）在空地推理方面存在显著差距
研究人员推出了AeroGround，这是一个旨在评估视觉语言模型（VLM）在空地协同推理任务中的新基准。该基准包含一个模拟数据集，约有29,000个多模态观测组和2,250个问答实例，侧重于跨视图对应、空间理解和推理。目前的VLM与人类相比表现出显著的性能差距，最佳模型的准确率仅为54.4%，凸显了对更强大的空地协同具身智能系统的需求。
-
CrevasseSeg 框架采用标签高效方法进行无人机冰川测绘
研究人员开发了 CrevasseSeg 框架，该框架专为使用无人机 (UAV) 影像进行冰川冰裂缝的高效分割而设计。该方法旨在减少对通常成本高昂且需要专家知识的广泛像素级标注的需求。该研究对各种自监督学习目标和架构进行了基准测试，发现与非线性分类器结合的卫星影像预训练特征，即使在标记数据有限的情况下也能显著提高性能。
-
AI框架利用大型语言模型和强化学习优化无人机物流
研究人员开发了一个自主AI框架，用于优化云制造环境中无人机（UAV）的物流调度。该框架集成了大型语言模型和思维链推理，将用户输入转化为复杂问题的数学公式，该问题将物理产品收集与计算任务调度相结合。采用一种分层深度强化学习方法，特别是近端策略优化（PPO），来管理无人机路线规划和任务执行，在模拟中展示了99.6%的产品收集率和100%的截止日期满意度。
-
无人机视频去模糊方法提升目标检测能力
研究人员开发了一种新颖的视频去模糊方法，专门用于无人机（UAV），以提高目标检测能力。该方法采用自适应潜在尺度选择器，通过根据运动强度调整潜在空间分辨率来管理计算成本。此外，多帧对齐和可学习门控模块通过选择性地融合前一帧的相关信息来确保时间一致性。实验表明，该方法能有效锐化细节，并显著提高航拍视频中目标检测的准确性。
-
新的LLM-Agent框架增强了无人机导航
研究人员开发了一个名为LAPF（基于LLM的Agent路径查找器）的新框架，用于在复杂的户外环境中使用无人机（UAV）进行自主导航。该框架集成了感知、记忆、规划和行动模块，并利用大型语言模型（LLM）进行推理和决策。在试验中，LAPF与传统方法相比，在路径效率和危险响应方面表现出改进，路径长度显著缩短，对障碍物的处理更加稳定。
-
论文发现人类损害评估准确性因影像源而异
一篇新论文调查了人类标注员和审核员在使用无人机、载人飞机和卫星等不同来源的航空影像评估损害时的表现。研究发现，初次标注需要最终委员会进行大量修订，其中卫星影像等低分辨率源需要最多的修正。即使经过一次审核，仍然存在显著分歧，尤其是在卫星数据方面，这表明对于多源数据集而言，统一的审核分配可能不是最优的。
-
新AI框架优化多无人机协同草原修复
研究人员开发了一个名为KC-BFPRL的新知识引导强化学习框架，以优化多无人机（UAV）协同草原修复作业。该框架将复杂的修复区域最大化问题分解为分层任务，利用基于Transformer的编码器和Pointer网络解码器。与现有方法相比，KC-BFPRL表现出卓越的性能，实现了近乎完美的优化，并且运行速度显著更快，适用于大规模实时生态修复。
-
新的GCN辅助DRL系统可降低无人机视频传输延迟
研究人员开发了一种名为GCN-Assisted A2C的新系统模型，该模型利用深度强化学习来优化无人机（UAV）的视频传输延迟。该模型采用图卷积网络（GCN）来识别和传输帧中最相关的像素相关区域，而不是整个视频。通过结合拉格朗日对偶形式和梯度下降，该系统旨在提高收敛性并防止延迟优化过程中的约束违反。实验结果表明，与现有的DRL和最先进的模型相比，这种方法显著降低了无人机视觉系统中的传输延迟和误检率。
-
自博弈强化学习实现自主无人机追逐-规避
研究人员开发了AgilePE系统，该系统利用自博弈强化学习技术，使无人机（UAV）具备自主追逐-规避能力。该方法将敏捷的低层控制与竞争性策略优化相结合，使无人机能够直接从状态观测中学习复杂的机动策略来控制指令。该系统已成功实现了对真实四旋翼无人机的零样本迁移，在实际实验中重现了如规避和侧翼包抄等模拟战术。
-
新的DRL框架使用LLM来改善无人机辅助VANET的连接性
研究人员开发了一个语义增强深度强化学习（SA-DRL）框架，以改善城市车辆自组网（VANETs）中的网络连接性。该框架利用无人机（UAVs）作为移动中继，并结合大型语言模型（LLM）通过对基于道路拓扑的网络碎片化进行建模来指导学习过程。提出的SA-PPO算法提高了探索效率，与传统的PPO方法相比，在车辆连接性、连通分量大小方面取得了显著改进，并降低了UAV的能耗。