为解决无人机视觉定位问题，本文提出了一个大规模数据集 UAV-VisLoc，其中包含了来自中国 11 个地点的多种类型无人机图像和卫星地图，以支持模型的训练和测试。

May, 2024

我们提出了一种新颖的全局 - 本地视觉定位（GLVL）网络，通过结合大规模检索模块和细粒度匹配模块实现了无局限累积误差的实时精确定位，证实了我们方法在稀疏纹理特征的村庄场景下只有 2.39 米的 0.48 秒的定位误差。

Oct, 2023

通过采用新颖的角度稳健导航范式和模型，结合自适应特征增强模块、跨领域注意力引导模块和鲁棒任务导向头模块，实现高精度导航的方向角预测，并经过实验证明所提出的模型在理想和干扰环境下的到达成功率分别提高了 26.0% 和 45.6%，从而解决了基于视觉的导航方法的局限性。

Feb, 2024

该论文提出了一种新的方法，用于在缺乏全球导航卫星系统（GNSS）的环境中对无人机进行地理定位。通过预处理图像以提取边缘信息，可以显著提高 UAV 地理定位方法的性能，并增强对方向和高度不准确性的鲁棒性。此外，引入了一种用于本地化的置信度标准，并通过合成实验验证了相关发现。

Apr, 2024

本文提出了一种利用卫星图像进行长距离无人机热成像定位的新方法，并通过多种域自适应方法解决配对热成像和卫星图像有限的可用性，实验结果表明该方法的有效性，本研究是首次提出在长距离飞行中利用卫星图像进行热成像定位的方法。

Jun, 2023

提出了一种名为 PVDA（Progressive View Distribution Alignment）的网络，通过逐步对抗性学习策略来解决无人机（UAV）视觉地理定位中的图像间分布差异问题，以学习与地点相关且与视角无关的特征，并在 University-1652 数据集上取得了卓越的性能。

Jan, 2024

该研究提出了一种利用卫星图像对地面车辆进行精确定位的方法，其采用基于地面 - 卫星特征字典的视觉定位方法，可以在不需要密集的地面图像数据库的情况下估计任意位置的可能性，并通过学习定位判别特征投影矩阵进一步提高精确度，在公共数据集上得到了显著的改进。

Oct, 2015

文章研究了无人机导航中基于视觉的障碍物检测和跟踪问题，提出了一种实时的对象定位和跟踪策略，将对象检测和跟踪有效地集成到动态卡尔曼模型中，并使用卡尔曼滤波提供对象状态的粗略预测，而无需对其进行手动初始化，具有比同类技术更快的运行速度和竞争性的跟踪性能。

Mar, 2017

提出一种新的框架，利用仅使用被动相机传感器和作为锚点的自然存在或人工地标，实现在非 GPS 战场环境中的定位。该方法使用经过校准的双目相机进行距离估计，并使用基于我们的真实世界数据集训练和微调的 YOLOv8s 模型进行地标识别。通过提取地标深度特征，利用地标识别模型预测的边界框确定地标距离。然后，利用最小二乘法算法获得未知节点的位置，并使用 L-BFGS-B 方法进行优化。实验结果表明，我们提出的框架在定位误差 (RMSE) 方面优于现有的基于锚点的 DV-Hop 算法，并与效率最高的基于视觉的算法竞争。

Feb, 2024

通过建议的方向引导训练框架，本文在无人机成像中通过层级定位，预测方向标签以支持训练，实现了高精度的地理定位，同时还可以增强卫星图像对空间的推广。

Aug, 2023