XiaoMi-AI文件搜索系统
World File Search SystemUAV
在设计无人驾驶二次的可配置无人机自动驾驶仪
无人驾驶汽车（无人机）和四型人正在越来越多的应用中使用。通过纳入新的经济技术来不断改善森林火灾的检测和管理，以防止生态退化和灾难。使用内部圈循环设计，本文讨论了四个四面体的态度和高度控制器。作为高度非线性系统，可以通过假设几个假设来简化四项动力学。使用非线性反馈线性化技术，LQR，SMC，PD和PID控制器开发了四极管自动驾驶仪。通常，这些方法用于改善控制和拒绝干扰。pd-pID控制器还通过智能算法部署在烟雾或火灾的跟踪和监视中。在本文中，已经研究了使用具有可调参数的组合PD-PID控制器的效率。使用MATLAB Simulink通过模拟评估了性能。进行评估提出方法的计算研究表明，本文介绍的PD-PID组合产生了有希望的结果。
基于光流的指导算法，用于四肢无人机
许多工业走廊需要检查，传统上是由人类检查员进行的，从而产生了很大的时间和成本以及受伤的潜在风险。为了缓解这些挑战，可以使用配备有传感器的无人机（UAV），例如惯性导航系统（INS）和相机进行走廊检查。本文介绍了利用光流传感器的四轮驱动器无人机的新型引导算法。主要目的是自主指导四肢无人机通过走廊，以确保它避免接近边界，从而最大程度地减少崩溃的风险。为了模拟整个系统，对无人机和相机传感器的动力学进行了建模。此外，引入了一个称为“相对深度”的新参数来处理光流，有效地减少了噪声和干扰对光流数据的影响。随后，提出了使用处理过的“相对深度”数据的指南算法。最后，在各个走廊中进行了广泛的模拟以测试算法的功效，并对结果进行了全面评估。
视觉引导的跟踪和无人机的紧急登陆
摘要：本文提出了一种基于视觉的自适应跟踪和降落方法，用于多轨无人机（UAV），该方法旨在在推进系统故障的情况下进行安全恢复，从而降低了可操作性和响应能力。该方法解决了外部干扰（例如风力和敏捷目标运动）所带来的挑战，特别是考虑了由推进系统故障引起的可操作性和控制限制。在我们先前在执行器故障检测和耐受性方面的研究中，我们的方法采用了修改的自适应纯追求指导技术，并具有额外的适应性参数来说明可操作性的降低，从而确保对移动物体的安全跟踪。此外，我们提出了一种自适应着陆策略，该策略适应跟踪偏差并最大程度地减少偏离靶向降落，这是由于横向跟踪误差和延迟响应引起的，并使用侧向偏置依赖依赖于偏置的垂直速度控制。我们的系统采用基于视觉的标签检测来确定与无人机相关的无人接地车辆（UGV）的位置。我们在中期紧急着陆情况下实施了该系统，其中包括对紧急降落的执行者健康监测。广泛的测试和模拟证明了我们方法的有效性，大大推动了由于执行器故障而导致具有受损控制权的无人机的安全跟踪和紧急登陆方法的发展。
深度强化学习协助无人机路径计划依靠累积奖励模式和区域细分
摘要近年来，已经考虑了许多应用程序，例如预防灾难和控制，物流和运输以及无线通信。大多数无人机需要使用遥控器手动控制，这在许多环境中可能具有挑战性。因此，自主无人机引起了重大的研究兴趣，在这些研究中，大多数现有的自主导航算法都遭受了长时间的计算时间和不满意的性能。因此，我们提出了基于累积奖励和区域细分的深入加固学习（DRL）无人机路径计划算法。我们提出的区域分割旨在减少DRL药物落入局部最佳陷阱的可能性，而我们提出的累积奖励模型考虑了从节点到目的地到目的地的距离以及在节点附近的障碍物的密度，这解决了DRL算法在路径计划任务中面临的稀疏训练数据的问题。已在不同的DRL技术中测试了所提出的区域分割算法和累积奖励模型，我们表明累积奖励模型可以提高30个深神经网络的训练效率。8％和区域分割算法使深Q-Network代理避免局部最佳陷阱的99％，并协助深层确定性策略梯度代理，以避免92％的局部最佳陷阱。
认知控制体系结构用于实现无人机碰撞的实际实现
摘要：一个高度智能的系统通常从人类的独特能力中汲取教训。当前的类似人类模型主要集中在生物学行为上，并且经常忽略人类的大脑功能。通过从脑科学中汲取灵感，本文展示了诸如感测，预处理，认知，障碍学习，行为，策略学习，预先行动和行动等大脑处理的各个方面如何与认知控制体系结构融合在一起。这项工作是基于以下概念：反碰撞响应是按顺序激活的，该响应从障碍物传感到动作开始。在避免碰撞的过程中，认知和学习模块不断控制无人机的曲目。此外，模拟和实验结果表明，所提出的结构是有效且可行的。
增强自主无人机导航的隐私和安全性
摘要 - 自主无人驾驶汽车（UAV）已成为国防，执法，灾难响应和产品交付的重要工具。这些自主导航系统需要一个无线通信网络，并且最近是基于深度学习的。在诸如边境保护或灾难响应之类的关键场景中，确保自主无人机的安全导航至关重要。但是，这些自主无人机容易受到通过通信网络或深度学习模型的对抗性攻击 - 窃听 /中间 /成员 /成员推理 /重建。为了解决这种敏感性，我们提出了一种创新的方法，该方法结合了增强学习（RL）和完全同型加密（FHE），以实现安全的自主无人机导航。此端到端的安全框架是为无人机摄像机捕获的实时视频供稿而设计的，并利用FHE对加密的输入图像执行推断。虽然FHE允许对加密数据进行计算，但某些计算运算符尚未实现。卷积神经网络，完全连接的神经网络，激活功能和OpenAI Gym库被精心适应FHE域，以实现加密的数据处理。我们通过广泛的实验证明了我们提出的方法的功效。我们提出的方法可确保自主无人机导航中的安全性和隐私性，并且绩效损失微不足道。索引术语 - 自主无人驾驶汽车，完全同构加密，隐私，增强学习
在陡峭的高山地形中安全的低空导航，带固定翼无人机
[1] Heck，Matthias等。“结合阵列分类和本地化的雪崩自动检测。”地球表面动力学7.2（2019）：491-503。地球表面动力学7.2（2019）：491-503。
低空无人机的隐私权位置身份验证
无人驾驶汽车（无人机）具有各种好处，包括灵活性，流动性和扩展性。无人机的移动性使它们能够在复杂的地形中迅速而有效地部署。随着无人机技术的继续前进，它发现了增加应用程序，例如遥感，灾难救援和监视[1，2]。尽管无人机具有巨大的潜力，但仍然缺乏确保安全沟通和调节无人机的可靠技术[3]。首先，当前基于云的监管框架，例如中国的无人机云系统和美国的低海拔授权和通知能力（LAANC），由于管理低空领空中即将到来的无人机操作中即将到来的无人机运营。这些系统的固有集中式结构使与其他机械主义的互操作性复杂化，从而在满足空格访问，通信和网络资源方面，提出了无人机的各种要求[4]。此外，这些集中式云服务容易受到与单点故障相关的风险[5]。其次，基于传统的雷达检测方法遇到了有效的障碍，从无人机中获取了潮流的信息，
具有执行器故障和时间延迟的多UAV系统的分布式无碰撞轴承协调
摘要 - 无人驾驶汽车（UAV）系统的协调受到了机器人和控制社区的极大关注。在本文中，我们通过轴承测量研究了异质非线性多UAV网络中的分布式形成跟踪问题。首先，一种新颖的仅轴承协议是为追随者代理而设计的，以实现所需的形成。，我们基于轴承测量值建立补偿功能，以处理代理动力学中的非线性和执行器断层。在存在特定时间延迟的情况下，Lyapunov方法可以确保提出的策略的稳定性。此外，为了确保在实际情况下进行安全操作，我们扩展了协议，并提出了足够的条件，以避免代理之间的潜在碰撞。在协议设计中还考虑了无碰撞控制器的鲁棒性。最后，提出了模拟案例研究以验证理论结果的可行性。
基于无人机遥感摄像机与类脑计算芯片的实时智能运动目标跟踪
基于无人机的运动目标跟踪技术被广泛应用于自动巡检、应急处置等诸多领域。现有的运动目标跟踪方法通常存在计算量大、跟踪效率低的问题。受限于无人机平台的算力，基于无人机平台采集的视频数据对多目标进行实时跟踪分析是一项艰巨的任务。本文提出了一种针对无人机实时跟踪任务的带记忆的特定目标滤波跟踪（TSFMTrack）方法，该方法包括用于捕捉目标外观特征的轨迹滤波模块（TFM）和用于每帧边界框关联的轨迹匹配模块（TMM）。通过在流行的MOT和UAV跟踪数据集上与其他SOTA方法的实验比较，TSFMTrack在准确性、计算效率和可靠性方面表现出明显的优势。并且将TSFMTrack部署在类脑芯片Lynchip KA200上，实验结果证明了TSFMTrack在边缘计算平台上的有效性以及适合无人机实时跟踪任务。