利用卷积神经网络直接映射原始图像到航点和所需速度的强鲁棒性生成，使用路径规划和控制系统生成短的、最小时间轨迹段，测试表明该方法能够在动态环境中准确和稳健地实现无人机的自主飞行，不需要昂贵的硬件和昂贵的图像处理，且比专业的人类驾驶员更加高效。

Jun, 2018

本文提出了一种视觉惯性算法，该算法比如视觉惯性测距和同时定位和映射等导航方法更加高效，可以用于计算机无人机竞速，该算法通过将比赛门检测与模型动态预测融合来估计无人机的位置。实际测试中，飞行测试在一架 72g 的迷你无人机上完成，得到了最高速度为 2.6m/s，从而使其成为世界上最小的自主竞速无人机之一。

May, 2019

本文提出了一个新颖的自主、基于视觉的无人机竞速系统，结合学习的数据抽象、非线性滤波和最优时间轨迹规划，该系统已成功在 2019 年 AlphaPilot 挑战赛中部署。与传统的无人机竞赛系统不同，该方法利用任何可见的门并利用多个同时检测到的门来补偿状态估计中的漂移和构建门的全局地图。全局的地图和补偿漂移的状态估计使得无人机在比赛中可以在门不直接可见时导航，并且可以基于近似的无人机动力学实时规划近似最佳路径通过比赛赛道。所提出的系统已经成功地指导无人机穿越狭窄的比赛赛道，达到了每秒 8 米的速度，并在 2019 年 AlphaPilot 挑战赛中排名第二。

May, 2020

在自主移动机器人中，弹性实时环境感知是一个主要挑战，该研究引入了一种感知技术，可以检测在高速无人机飞行中常见的光照变化情况下的无人机赛门，该方法依靠轻量级神经网络骨干结构，并具备持续学习能力，实验测试表明该方法在各种困难情景下均表现出显著的鲁棒性，特别是在面对光照变化的情况下证明了其有效性。

May, 2024

我们将最先进的规划和控制系统与卷积神经网络相结合，实现了自主机器人在动态环境中的高速飞行和对感知目标的实时认识，无需进行任何调整，同时通过领域随机化生成大量的模拟数据，使我们的系统对光照和目标出现变化具有鲁棒性，实现了在敏捷无人机飞行任务中的零次模拟到实际的成功展示。

May, 2019

通过学习深度的感知动作策略，使用对比学习从输入图像中提取固定特征表示，通过两阶段的作弊式学习框架训练神经网络策略，将视觉驱动的自主无人机竞赛问题转化为了提取原始图像的特征表示进行控制命令推断，无需全局一致的状态估计、轨迹规划和手工控制设计。该方法不仅可使控制策略更具有鲁棒性，而且可以实现与状态法相同的赛车性能，为开发纯靠图像输入控制无人机的智能视觉自主系统铺平了道路。

Oct, 2022

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

该研究利用深度神经网络和数据增强来训练自主赛道竞速的无人机，表明数据增强对于端到端学习非常重要，并且优化后的神经网络能够在嵌入式硬件上实时运行，适用于实际部署。

Aug, 2017

介绍了 AirSim Drone Racing Lab 仿真框架，可用于自主飞行器比赛算法的快速原型设计，以在多个真实场景中测试计划、控制、视觉等算法和通过竞赛形式比较算法效果。

Mar, 2020

本论文介绍了将最先进的计算机视觉算法应用于自动驾驶赛车的实际挑战和解决方案，包括基于 YOLOv3 的物体检测，姿态估计和双目 / 单目视觉摄像头的时间同步，强调了适用于赛车领域的感知卷积神经网络的修改，姿态估计所使用的损失函数的改进以及亚微秒级相机同步的方法等。我们对该系统进行了彻底实验评估，证明其在实际赛车场景中具有准确性和低延迟性。

Jul, 2020