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

本文研究了计算机视觉和深度学习技术在无人机检测方面的表现，探究了在复杂背景、不同大小、复杂天气等挑战条件下使用一阶段探测器和二阶段探测器进行 UAV 检测的性能，并对两个数据集进行了评估，研究结果为发展更为强大的 UAV 检测方法提供了借鉴。

May, 2023

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

本文介绍了一种基于迁移学习的无人机检测方案，利用深度学习技术进行智能化无人机侦测以应对无人机在网络治理、反恐等方面安全保障方面出现的问题。

Jun, 2023

近年来，人工智能（AI）和无人机（UAVs）的结合在各个领域带来了进步。本研究论文全面分析了 AI 驱动的无人机和友好计算在应用中的变化，包括新兴趋势、未来愿景以及与此关系相伴的固有挑战。通过探索 AI 和无人机之间的相互作用，本研究突出了这些技术在农业、监视实践、灾害管理等行业中革命性的潜力。在展望可能性的同时，研究还考虑了伦理、安全问题、需建立的法律框架以及 AI 增强的无人机系统的负责任部署，为进一步探索这个变革领域奠定了基础。

Oct, 2023

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

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

该研究论文提出了一种基于无人机的合作学习系统，用于训练具有数据异质性的神经网络模型，通过优化无人机的轨迹，考虑了设备数据特征和无线信道条件，显著提高了收敛速度和最终准确性，并在图像识别和语义分割任务中取得了令人满意的结果。

Mar, 2023

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