unmanned ground vehicle
PulseAugur coverage of unmanned ground vehicle — every cluster mentioning unmanned ground vehicle across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。