无人机类型预测：基于采样和数据增强的时间序列分类探索

Mar, 2024

无人机类型预测：基于采样和数据增强的时间序列分类探索

Predicting UAV Type: An Exploration of Sampling and Data Augmentation for Time Series Classification

Tarik Crnovrsanin, Calvin Yu, Dane Hankamer, Cody Dunne

TL;DR使用机器学习模型进行无人机的时间序列分类，研究了时序采样方法和类别不平衡修正方法对分类效果的影响，输入为无人机类型，对四旋翼无人机和固定翼无人机的预测准确性较高，而六旋翼无人机容易被误分类。

Abstract

unmanned aerial vehicles are becoming common and have many productive uses. However, their increased prevalence raises safety concerns -- how can we protect restricted airspace? Knowing the type of unmanned aeria

unmanned aerial vehicles restricted airspace machine learning model time series classification class imbalance

发现论文，激发创造

教导无人机飞行比赛：模拟环境下的敏捷控制端到端回归

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

使用集成学习进行四旋翼操作精准功耗估计的数据高效建模

本研究建立了一种电动垂直起降飞行器（eVTOL）的功耗模型框架，采用叠式模型方法，利用三种不同类型的四轴飞行器的飞行记录开发了一个数据驱动模型，其中随机森林和极端梯度提升被选为基础模型，线性回归模型用作元模型，该模型能够准确地预测四轴飞行器的电力，可为操作员提供强大的飞行管理工具，并有助于促进安全、节能的城市空中交通。

May, 2022

利用振动分析进行无人机起飞 / 着陆前后机翼异常检测的机器学习研究

利用信号处理和机器学习方法，通过对全面振动分析数据的分析，以确定在飞行前后运行过程中叶片缺陷的存在，为未来智能城市的关键基础设施部分 —— 无人机，提供了恒定的监控以确保其可靠性。

Apr, 2024

无人机基准测试：目标检测和跟踪

本文着重于构建一个针对复杂场景的无人机基准测试数据集，并对基准测试集中的物体检测、单目标跟踪和多目标跟踪进行了详细的定量分析，实验结果表明目前最先进的方法在这个数据集上的表现相对较差，给出了这一问题的多方面解决方案。

Mar, 2018

无人机中的风估计与因果机器学习

应用因果机器学习方法，通过分析无人机的轨迹而无需专用传感器，展示了估计无人机风环境的可能性。研究了三种不同的风环境，探索了优化无人机操纵以估计风条件的不同策略。该方法可用于设计在恶劣天气条件下的最佳路径，并避免使用增加无人机重量且影响功能的专用传感器。

Jul, 2024

SynDrone – 城市场景下多模态无人机数据集

为了解决现有数据集图片数量有限的问题，本文提出了一个包含图像和三维数据的多模态综合数据集，该数据集包含 28 类的像素级标注，并可用于深度网络架构的有效训练，结果表明其在合成数据和实际数据的适应方面具有良好的前景。

Aug, 2023

AU-AIR：低空交通监控多模式无人机数据集

本文提出了一种多用途的多模态传感器航空数据集（AU-AIR）, 旨在弥合计算机视觉和机器人学之间的差距，并通过多种类型的记录数据进行真实环境的移动物体检测训练和测试，包括自带计算机的无人机。

Jan, 2020

通过坠毁学习飞行

本文提出使用自行收集的撞击数据集与模拟数据集相结合的方法，训练出一种在极其复杂、动态障碍物环境下具有高效自主导航性能的简单自监督模型。

Apr, 2017

无人机自主降落的多模态学习方法

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

无人机网络中用于多类分类的增强入侵检测系统

本研究提出了一种新的用于无人机网络的入侵检测系统，采用二元元组表示来编码类别标签，结合基于深度学习的方法进行分类，通过捕捉复杂的类别关系和时序网络模式来增强入侵检测能力，并通过对不同无人机共同特征的交叉相关研究来排除可能误导入侵检测分类的相关特征。使用 UAV-IDS-2020 数据集进行了完整的实验研究，并使用不同的评估指标评估了所提出的入侵检测系统的性能，实验结果显示了所提出的多类别分类器模型的 95% 准确率。

Jun, 2024