无人机飞行状态识别与轨迹预测系统设计基于轨迹特征构建
本研究提出了一种基于用户移动信息预测的多无人机轨迹设计的新框架,其利用机器学习技术为多个无人机实现位置信息获取和轨迹设计,并通过多智能体 Q 学习算法实现对其位置的预测与优化。同时,数值结果表明所提出的多智能体 Q 学习算法的轨迹设计和功率控制算法可以在较小的条件下收敛,并且可以实现 17%左右的吞吐量改进。
Dec, 2018
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
探索在自动驾驶机器学习任务中利用轨迹和动态状态信息进行高效数据筛选的研究,提出了在主动学习框架中的轨迹状态聚类和采样方法,旨在降低注释和数据成本同时保持模型性能。研究通过利用轨迹信息引导数据选择,在训练数据中促进多样性,证明了方法在轨迹预测任务中的有效性,使用 nuScenes 数据集展示了与随机采样相比在不同数据池大小上的一致性性能提升,甚至在仅使用 50% 的数据成本下达到次基线位移误差。结果表明,在解决 “冷启动问题” 方面,最初采样典型数据有助于,而随着训练池大小的增加,引入新颖性变得更有益处。通过整合使用轨迹状态信息的主动学习,证明了利用低成本数据筛选策略可以实现更高效和稳健的自动驾驶系统。
May, 2024
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
本文介绍了 NTU-ICG 团队提出的基于聚类学习检测的 LiDAR 技术应用于无人机跟踪和姿态估计的方法,通过两种类型的 LiDAR 传感器对无人机进行三维定位,并结合历史估计填充缺失数据,在 CVPR 2024 UG2+ Challenge 中获得了第五名的成绩。
May, 2024
研究论文探讨了人工智能技术在无人机飞行轨迹生成中的应用。研究主要关注准确预测无人机路径和高效避免碰撞所面临的挑战,通过系统地应用多样化的激活函数于单隐藏层前馈神经网络,提高了路径预测准确性。同时,提出了一种新的激活函数 “AdaptoSwelliGauss”,将 Swish 和 Elliott 激活函数与高斯分量相融合,用于无人机轨迹复杂性的捕捉。此外,提出了综合的碰撞检测、避免和分组策略,通过改变无人机轨迹和起飞时间来避免碰撞,克服了两种策略各自的不足。
May, 2024
本研究提出了一种基于全局轨迹布局及卷积网络预测与卡尔曼滤波融合的方法,重点解决自主微型飞行器的难以精确的导航、环境不确定以及姿态估计误差等问题,成功应用于 IROS2018 无人机比赛中并取得优异成绩。
Oct, 2018
提出了一种基于回归的运动稳定方法,旨在检测被拍摄的机动飞行器在复杂背景中移动的情况,该方法在运动与外观两方面共同作用下可以对比先进技术更有效地运用时空图像块进行分类,并通过收集两个具有挑战性的数据集为飞行物体检测和视觉引导式避碰创建基准。
Nov, 2014
本文综述了自动驾驶车辆 (AD) 的轨迹预测方法,重点讨论了基于机器学习的方法,包括深度学习和强化学习。该文还研究了常用的数据集和评估指标,并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向,本综述在 AD 轨迹预测方面做出了重要贡献。
Jul, 2023