该研究介绍了一种基于多模式变压器的深度学习探测器，可为精确自主着陆提供可靠的定位，同时还提出了一种基于深度 Q 网络的强化学习决策模型，该模型在模拟环境中进行训练，然后成功地在真实户外场景中验证其适用性。

May, 2024

本研究提出了一种共享自主系统，该系统可以协助新手驾驶员在多个高架平台上实现安全着陆，并在使用模拟无人机时进行了用户研究。

Nov, 2020

本文提出了一种基于视觉控制的硬件 - 软件控制系统，可以自主降落多旋翼无人机，使用 LiDAR 传感器测量地面以上的飞行高度，并在 1280 x 720 @ 60 fps 视频流中实时检测带标记的着陆平台，并以 96％的准确率检测了着陆平台，表明重新编程的异构计算系统是解决 UAV 问题的好方案，可以实现相对较低的能耗的实时数据流处理。

Apr, 2020

本文提出了一种基于视觉的自主停泊方法，用于将纳米四轴飞行器停泊在水平表面上预定义的停泊目标上。

Jun, 2023

本文探讨了使用基于图像的视觉伺服控制解决空中载具（如四旋翼无人机）在移动平台上的着陆问题。首先介绍了四旋翼飞行器的数学模型，然后设计内环控制。在第二阶段中，利用纹理目标平面上的图像特征来推导基于视觉的控制定律。使用降落目标中一组地标的球形质心的图像作为位置测量，而平移光流作为速度测量。使用可观察特征来表达基于视觉的系统的运动学，并且所提出的控制定律确保收敛，无需估计视觉系统与目标之间的未知距离，同时保证该距离始终保持严格为正，避免意外碰撞。通过 MATLAB 和 3D 仿真软件 Gazebo 对所提出的控制定律进行了评估。对于移动目标的不同速度配置文件，提供了四旋翼无人机的仿真结果，展示了所提出控制器的鲁棒性。

Apr, 2024

本文阐述了如何将深度强化学习算法应用于机器人领域，主要关注于以物理模拟平台为基础的无人机飞行任务控制，使用基于 Gazebo 的强化学习框架进行训练，最终成功实现了无人机自主降落的任务

Sep, 2022

本文介绍了一种用于检测和评估四旋翼机器人安全降落潜在地点的新方法，该方法通过整合 2D 和 3D 环境信息，从神经网络 (NN) 获得语义数据以及从视差图获得几何信息，定义了基于几何属性的成本指标，以评估环境中区域的安全性、稳定性和适用性，并实时运行于计算能力有限的四旋翼机器人上，实验证明该方法能够有效评估和识别合适的降落区域，实现四旋翼机器人的安全自主降落。

Nov, 2023

本文提出了一种基于深度学习的鲁棒非线性控制器，提高了四旋翼降落时的控制性能，并通过实验证明了该控制器在降落和横向轨迹跟踪方面均显著优于传统的非线性控制方法。

Nov, 2018

本文介绍了使用视觉算法进行目标定位、实时增量式 3D 签名距离地图算法进行遮挡和安全计算、实时相机运动规划器进行优化平滑度、碰撞、遮挡和艺术指导的航拍摄影完整系统，旨在克服多个专业领域影响安全控制无人机的局限，并验证该系统在追踪动态目标方面的稳健性和实时性，最终证明该系统达到了当前最佳性能。

Apr, 2019

近年来，无人机在自主载荷运输方面取得了巨大的进步，本文描述了一种微型无人机的开发，提出了一种导航方法，通过深度学习的计算机视觉方法来识别和准确对齐载荷传送位置处的目标，使得平均水平精度较传统的基于 GPS 的方法提高了 500%。

Oct, 2023