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

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

本研究提出了一种基于神经网络和增强学习的无人机自主降落系统，该系统仅依赖于镜头传感器，经过现实世界测试，平均偏差为 15cm。

Sep, 2022

该研究通过采集安装在四旋翼飞行器上的摄像头捕捉户外图像序列，定量分析了逆境环境条件对标记物探测的影响，并研究了其在精准起降以及城市场景飞行器飞行中提高可靠性的潜力。研究基于温度、光照、风速、湿度、能见度和降水等逆境条件下的半自主起降操作，评估了标记物的探测性能，包括准确性、召回率、连续性、可用性、鲁棒性、弹性和覆盖范围，并将数据集和分析代码作为开源资源发布给公众。

Sep, 2023

对于无人机在关键领域的威胁，通过计算三角传感器的部署，优化覆盖范围、成本效益和容错性，可实现对无人机的有效定位和监测。

Dec, 2023

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

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机器学习监控的紧急着陆方法，采用新的紧急着陆减缓战略来确保无人机在人口密集地区的安全运行，并通过机器学习运行时监控实现了真实环境下的安全评估，该方法相较于传统降落伞项目的应急响应有更高的安全性。

Feb, 2022

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