Unmanned Aerial Vehicles
PulseAugur coverage of Unmanned Aerial Vehicles — every cluster mentioning Unmanned Aerial Vehicles across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
物理信息神经网络增强无人机路径规划
一篇研究论文介绍了一种新颖的物理信息神经网络（PINN）方法，用于动态环境中无人机（UAV）的路径规划。该方法将无人机动力学和风扰动直接嵌入学习过程，无需监督数据即可生成安全、节能且平滑的轨迹。仿真表明，PINN框架在控制能量、路径平滑度和安全裕度方面优于A*和动力学RRT*等传统算法。
-
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。
-
在线学习优化风洞气流，提升机器人飞行性能
研究人员开发了一种在线学习算法，用于精确控制垂直风洞中的气流，以测试先进的飞行机器人。该方法结合了简化的物理模型和迭代学习，能够高效地实现所需的均匀、高斯和抛物线等气流分布。演示的一个关键应用是创建专门用于被动滑翔的气流，显著提高了滑翔机器人的飞行性能，并且该系统在风扇数量变化的情况下也表现出鲁棒性和通用性。
-
AI框架解决降级监控下的航空交通冲突
研究人员开发了一个使用深度Q网络的（Deep Q-Networks）多智能体强化学习框架，用于管理航空走廊内不同类型飞机之间的冲突，特别是在监控数据不可靠的情况下。该系统为无人机和电动垂直起降飞机（eVTOL）训练了独立的策略，并纳入了通信延迟和信息丢失等各种现实世界条件。评估表明，该框架能在1秒内有效解决大多数冲突，智能体大部分时间保持航线，并在冲突期间利用转向、速度控制和垂直机动。研究还通过帕累托最优配置（Pareto-optim…
-
无人机航线规划用于环境监测的综述
一项系统性文献综述正在进行中，旨在综合关于自主无人机（UAV）用于环境监测的航线规划的研究。该综述遵循 PRISMA 2020 框架，已筛选了 2015 年至 2026 年间发表的 400 多篇研究。初步研究结果表明，研究重点在于覆盖优化和多无人机协调，而对天气和障碍物等环境因素的关注较少。相当一部分研究依赖于模拟，这表明模拟性能与实际性能之间可能存在差距。
-
新型递归ArUco标记提升无人机着陆精度
研究人员开发了一种新的递归ArUco标记设计，以提高无人机（UAV）着陆的可靠性。这种新颖的方法将完整的标记嵌入到父标记的黑色和白色位中，允许任意递归深度，即使在部分遮挡的情况下也能实现鲁棒检测。与之前的分形标记和Harco标记不同，该设计在所有递归尺度上都保持了单一的唯一标识符，从而能够为同时进行机队操作的无人机提供大量唯一的起降场标识。
-
新型“Banshee”攻击利用声学劫持无人机视觉跟踪
研究人员开发了一种名为Banshee的新型攻击，该攻击利用万向节-摄像头系统的声学漏洞来诱导无人机（UAV）的目标切换。该攻击会生成特定的声波波形，导致摄像头视图漂移，从而使机载跟踪器从目标对象切换到攻击者选择的对象。Banshee在模拟和实际测试中都表现出高成功率，凸显了声学与视觉跟踪系统之间存在的实际漏洞。
-
无人机视频开放词汇分割的新任务和框架
研究人员推出UAV-OVVIS，一项专门针对无人机（UAV）视频的开放词汇视频实例分割新任务。为解决标注数据不足的问题，他们开发了AeroTrack，一个无需训练的框架，利用现有的视觉基础模型。该框架能够灵活查询和进行细粒度的实例级理解，在UAV视频中表现优于通用的视频实例分割方法。该团队还创建了AeroVIS，一个用于评估UAV-OVVIS的基准数据集，包含9个对象类别和超过8000个轨迹。
-
新的合成数据集解决了施工监测的二维变化检测问题
研究人员推出 iVISION-2DCD，这是一个新颖的合成数据集，旨在解决大规模户外施工监测中二维变化检测的挑战。该数据集从密集 LiDAR 点云和照片级真实感图像生成，旨在促进计算机视觉和机器人算法的发展，使其能够鲁棒地识别不同摄像头视角的变化。当前方法在该领域面临视角变化和数据稀缺的挑战，而 iVISION-2DCD 提供了一个基准来评估和推进这些能力。
-
图神经网络增强冲突区域的无人机与网络防御
一篇新的研究论文探讨了图神经网络（GNNs）在加强网络安全和无人机情报方面的应用，特别是在以色列-伊朗冲突的背景下。该研究提出了一种集成方法，其中入侵检测系统从网络结构中学习以识别恶意活动，从而促进无人机响应措施。通过基于仿真的案例研究，该研究表明GNNs可以提高态势感知能力、集群协调能力和自适应机动能力，实现了94.2%的检测率和1.4秒的平均响应时间。比较实验表明，提出的GraphSAGE网络优于图卷积网络（GCNs）和图注意力网…
-
中国学生创办AI无人机公司，捐款给工人
19岁的中国学生魏斯源（Wei Siyuan）因在求学期间的创业活动而受到关注。他创立了一家开发无人机和人工智能设备的公司，因此获得了“校服CEO”的绰号。除了商业追求，魏还表现出慈善行为，向学校的环卫工人捐赠了一笔可观的款项。
-
新的 Aco2 系统赋能无人机自主空中操作
研究人员开发了一种名为 Aco2 的新颖元强化学习方法，用于自主空中操作。该系统使四旋翼无人机能够在无人干预的情况下拾取、运输和递送各种物体。Aco2 利用情境观察编码器和对比目标来适应不同的有效载荷及其相关的飞行动力学，从而可以直接从模拟部署到物理机器人。
-
新的SEArch框架改进了无人机雷达目标检测
研究人员开发了一个名为SEArch的新框架，以改进配备雷达的无人机（UAV）的目标检测能力。该系统通过采用一种乐观的策略选择方法，解决了动态环境中雷达统计数据变化的挑战。SEArch旨在通过适应场景内噪声和场景间偏移，而无需预先了解环境动态，来最小化遗憾（即与最佳可能策略相比的性能差距）。
-
量子机器学习通过无泄漏评估增强无人机异常检测
研究人员开发了一种使用量子机器学习检测无人机（UAV）异常的新方法。该研究在TLM:UAV基准测试上引入了一种无泄漏的评估方法，采用了一种面向群组的时间协议和三模特征审计来评估不同信号类型的影响。虽然混合XGBoost和数据重上传（DRU）分类器显示出渐进式的好处，但其统计显著性受到种子间方差的限制，尽管在无代理条件下实现了最低的误报率。该团队已发布了一个开源的Qiskit实现，用于NISQ时代的航空航天系统的网络安全分析。
-
韩国开发先进无人机发动机，与美中竞争
韩国正在为协作作战飞机（CCA）和其他无人机（UAV）开发国产发动机。该计划旨在将韩国定位为先进无人机技术的全球顶尖生产国之一，与中国和美国竞争。开发内容包括适用于低可观测性无人僚机和隐形平台的发动机，重点是掌握对出口竞争力至关重要的复杂子系统。
-
新型AI模型利用声音检测和分类无人机群
研究人员开发了一种使用声音信号和专用神经网络检测和分类多无人机（UAV）的新方法。该系统采用有理高斯小波进行特征提取，然后与神经网络一起训练，以识别和分类无人机，包括无人机群。与传统的机器学习方法相比，这种方法在保持高度可解释性的同时提供了改进的性能，并且该实现已公开提供。
-
由能源高效无人机和个性化模型增强的联邦学习
研究人员开发了一种新的个性化联邦学习方法，该方法使用无人机（UAV）进行更高效的通信。该方法通过将全局模型更新与本地个性化分离开来，解决了数据异质性和无人机电池寿命有限等挑战。一种新颖的基于梯度的调度策略优先处理具有信息量更新的设备，从而提高了准确性并降低了无人机的能耗。
-
新数据集通过高分辨率RGB和红外图像增强了远程无人机检测能力
研究人员发布了LRDDv3，这是一个新发布的高分辨率数据集，专为远程无人机检测而设计。该数据集包含超过102,000张RGB图像和近30,000张红外图像，所有图像均包含距离信息。该数据集旨在提高有人和无人飞机在远距离检测无人机的能力，以满足对先进航空安全的关键需求。
-
机器人利用空中侦察兵高效绘制未知地形图
研究人员开发了一种名为“侦察兵辅助规划”（SAP）的新型规划框架，用于在部分已知环境中操作的异构机器人团队。该系统使用无人机（UAV）进行前方侦察和信息收集，通过主动识别障碍物来改进无人地面车辆（UGV）的导航。为了高效地指导侦察工作，他们引入了基于信息增益的动作剪枝，该方法优先考虑预期对UGV行为产生最显著影响的侦察动作。采用图神经网络模型来实时预测这些信息增益值，从而实现实际部署。
-
通过解耦目标运动与相机扰动来改进无人机目标检测
研究人员开发了一种新的纯视觉框架，以改进无人机（UAV）的目标检测。该方法有效地将检测到的目标的运动与无人机自身运动和相机抖动引起的扰动分离开来。通过采用双区间运动提取策略和运动引导注意力模块，该系统增强了特征表示，以提高准确性，尤其是在动态环境中检测小目标时。