本文提出了基于深度强化学习和递归神经网络的无人机避障技术，可在未知室内环境中自主避免障碍物，提高了导航距离和推理速率。

Nov, 2018

首次实现了在小型无人机中使用单目视觉作为唯一感应模式的视野优化控制，其通过机器学习进行成本敏感特征选择和快速非线性回归进行单目深度预测，并结合其他感应模式。

Nov, 2014

提出了一种基于学习的系统，通过模仿学习和强化学习的结合，实现了感知感知，在杂乱环境中实现了敏捷的飞行，并通过闭环控制演示了其性能。

Oct, 2022

本文提出了基于低成本四轴飞行器及单目相机的半稠密 SLAM 系统的自主微型航空器导航和探索方法，旨在解决之前假定稠密地图信息的探索方法无法直接应用于纹理缺失区域的挑战。

Sep, 2016

提出了一种全新的端到端方法，利用卷积神经网络将嘈杂的传感观测直接映射到避撞轨迹，从而实现四旋翼的高速自主飞行。在模拟训练中，该方法可以实现从模拟到真实环境的零 - shot 迁移，成功地使四旋翼在森林、雪地、脱轨的火车和倒塌的建筑物等复杂环境中高速自主飞行，并优于传统方法。

Oct, 2021

该研究探讨了使用强化学习算法解决无人机导航问题，讨论了不同环境下的算法特性和选择，并提出未来的研究方向。

Aug, 2022

本文提出一种在室内使用单一摄像头实现四旋翼自主导航和寻找目标物体（例如书包）的方法，使用卷积神经网络 (ConvNet) 进行深度学习，使用可视化技术来更好地理解训练网络。

Nov, 2015

针对智能四旋翼无人机，本文提出了一种稳健可靠的自主规划系统，结合动态障碍物的跟踪和轨迹预测实现高效可靠的自主飞行，采用轻量级目标检测算法识别动态障碍物，利用卡尔曼滤波跟踪和估计其运动状态，在规划阶段不仅考虑静态障碍物而且考虑动态障碍物的潜在移动，使用基于 B 样条的轨迹搜索算法生成轨迹，并通过各种约束进一步优化以提高安全性和与无人机运动特征的一致性，在仿真和实际环境中进行实验，结果表明我们的方法能够实时检测和避开动态环境中的障碍物，相较现有方法在可靠性上有更大优势。此外，在自然语言处理（NLP）技术展示出卓越的零样本泛化能力的进展下，更友好的人机交互变得可行，本研究还探索了自主规划系统与大型语言模型（LLMs）的集成。

Nov, 2023

该研究提出了一种使用廉价的现成硬件构建的微型飞行器系统，其利用名为 TrailNet 的深度神经网络自主跟踪树林等户外环境中的小路，结合视觉感知技术，包括对象检测和视觉里程计模块，以实现更加稳定和准确的飞行。

May, 2017

通过使用超低功耗的 GAP8 芯片与卷积神经网络，我们实现了一种使用图像视觉引导的自主导航算法，在小型纳米无人机上实现了全自主室内导航，提高了其对高速飞行中的障碍物的响应速度，同时公开了代码、数据集和模型参数，以促进无人机研究的发展

May, 2019