unmanned ground vehicle
PulseAugur coverage of unmanned ground vehicle — every cluster mentioning unmanned ground vehicle across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新基准和智能体方法推动空地协同目标搜索
研究人员推出 AGOS-Bench，这是一个旨在评估视觉语言模型（VLM）在空地目标搜索场景中协同能力的新基准。该基准连同配套数据集和名为 AGOS-Agent 的智能体方法，旨在促进需要无人机（UAV）和无人地面车辆（UGV）之间协调的任务的研究。AGOS-Agent 具有无需训练且支持工具增强的特点，已在多个 VLM 的成功率和决策步数方面取得了显著改进，特别是 Gemini 3.6 Flash 取得了显著进步。
-
新的AGC-VLN系统增强了空地导航协同能力
研究人员推出了一种新颖的免训练基线系统AGC-VLN，用于空地协同视觉与语言导航（VLN）。该系统将配备全局鸟瞰图的无人机（UAV）与配备局部第一人称视角的无人地面车辆（UGV）配对，使它们能够共享鸟瞰图以增强导航。UAV将UGV的姿态和目标渲染到该地图上，为UGV提供关键的全局空间上下文。在CARLA-Air Town10HD环境中的测试中，AGC-VLN取得了77.0%的联合成功率，显著优于单个代理和现有的单代理基线。
-
雪地地形无人机与地面机器人导航系统
研究人员开发了一种新颖的导航框架，用于在具有挑战性的雪地地形中运行的无人机和地面机器人。该系统利用高效的U-Net架构进行实时道路分割，通过合成雪数据增强实现了96.5%的准确率。无人机采用扩展卡尔曼滤波器集成GPS和IMU数据进行定位，最大位置误差为0.5米。地面机器人的位置通过无人机的RGB-D摄像头数据和YOLOv5对象检测进行跟踪，从而能够进行考虑雪堆的动态路径规划。
-
SULAND v2 数据集通过改进的标注精炼了地雷检测基准
研究人员发布了SULAND v2，这是一个改进的数据集，用于训练目标检测模型，以识别由无人机和无人地面车辆捕获的RGB图像中的地表地雷。原始的SULAND数据集包含许多标注错误，包括缺失或错误的标注、定位不准确以及不一致的类别标签。SULAND v2通过手动重新标注33,771张图像和12,433个边界框来解决这些问题，确保了更高的准确性和一致性。在该改进的数据集上对35种检测器配置进行基准测试显示性能显著提高，其中YOLOv12-S…
-
新框架提高无人机-无人地面载具航向预测的可靠性
本文介绍了一种用于无人机-无人地面载具协同系统中基于视觉的航向预测的置信度门控框架。所提出的方法使用边界框面积和航向变化作为可靠性代理，以确定何时信任用于控制指令的预测航向。在低置信度期间，它将基线冻结保持策略与有界混合回退进行比较，证明了与简单地保持指令相比，该方法提高了指令发布的准确性和平滑度。
-
基于RGB的框架使无人机能够识别机器人部署区域
研究人员开发了一个新的框架，仅使用RGB相机数据来分析可通行性，使无人机能够识别狭窄空间中地面机器人的最佳部署位置。该系统从RGB输入重建密集几何和语义地图，并且至关重要的是，无需LiDAR即可恢复度量尺度。在系留无人机-地面机器人平台上的实验表明，它在识别隐蔽空间检测任务的合适部署区域方面是有效的。
-
新基准评估MLLM在具身AI中的协作与空间推理能力
研究人员推出了两个新基准 MECoBench 和 AirGroundBench，用于评估多模态大语言模型（MLLMs）在具身环境中的协作和空间推理能力。MECoBench 侧重于真实世界任务中的协作结构和通信模式，发现协作通常能提高性能，但对协调复杂性和通信敏感。AirGroundBench 专门探测异构空地场景中的空间智能，揭示了 MLLMs 在基本空间感知方面表现良好，但在跨视图对齐和复杂空间推理方面存在困难，表明几何一致性是一个关键限制。
-
FLISP实现UGV-UAV同步路径规划，支持协同隧道检测
研究人员开发了FLISP，一个新颖的路径规划框架，专为在水电隧道等复杂环境中进行的地面和空中机器人协同检测任务而设计。该无地图系统利用单一的激光雷达-惯性测量单元传感器套件来同步地面车辆（UGV）和无人机（UAV）的路径生成。FLISP为每个平台采用专门的算法，确保地面机器人的避障和无人机的动态飞行路径优化，与传统方法相比，成功率达到100%，延迟显著降低。
-
论文提出不确定环境下的动态无人车-无人机协同路径规划
本文介绍了一种在不确定环境中运行的地面车辆（UGV）和无人机（UAV）的协同路径规划策略。该系统利用无人机动态检查道路网络并识别不可通行路线，从而使地面车辆能够安全高效地导航。研究评估了包括使用多架无人机在内的不同协同方法，并证明了双向策略结合多架无人机在减少UGV行程时间方面表现最佳，尽管计算需求有所增加。
-
无人车-无人机在不确定环境中协同规划路径以应对灾害响应
研究人员开发了一个新的框架，用于在不确定环境中进行无人地面车辆（UGV）和无人机（UAV）之间的协同路径规划。该系统专为灾害响应等场景设计，其中UGV需要导航未知道路网络。UAV动态检查环境以识别无法通行的路线，从而使UGV能够找到安全路径。研究评估了包括双向方法在内的策略以及使用多架UAV的影响，发现双向方法最有效，而多架UAV则以计算成本为代价缩短了旅行时间。