XiaoMi-AI文件搜索系统
World File Search System降落
共享单车自主起飞和降落 ...
自 20 世纪 90 年代末以来，SAAB 一直在对几种无人驾驶飞行器 (UAV) 概念进行初步研究，但并未将其用于飞行演示。2001 年，决定启动 SHARC 技术演示项目：一个小型专业团队负责开发、制造和飞行测试一个无人机系统，包括航空电子系统和地面控制站 (GCS)，该系统稍后可在稍后开发的第二个演示器（称为 FILUR）中重复使用（见图1）。由于预算有限，并且从仪表化小尺寸飞机的飞行测试中获得良好的内部经验，因此决定 SHARC 技术演示器应为原始 SHARC 设计的 1:4 比例。该项目的主要目标之一是测试军用无人机的适航过程，即使使用小尺寸飞机也可以实现这一目标。甚至测试演示者的精益开发流程的目标也可以通过这种方式实现。SHARC 项目于 2001 年启动，不到一年后首次飞行，
视觉伺服自动降落航母——Irisa
飞行员通常认为，在航空母舰上着陆是最困难的训练之一，因为能见度条件、航空母舰动力学和狭小的着陆区使着陆变得复杂。根据能见度条件，可以使用几种接近航空母舰的方法，如 [1] 中所述。在我们的案例中，研究的轨迹包括在距离航空母舰 7.5 公里处开始下降，并将钩子放在所需的下降滑行上。为了确保着陆精度，不进行拉平。方法可以总结为保持下降率和迎角恒定，以保持飞机稳定性并防止失速。航空母舰上的着陆控制并不是一个新问题。它使用经典传感器（如雷达或相对 GPS [2]）进行研究，这些传感器确定相对于参考轨迹的误差，并使用控制律对其进行校正，该控制律可以是最优的 [3] 或鲁棒的 [4]。[3] 中实现了一些航空母舰动力学预测模型，以改进控制。几十年来，出于认知和安全方面的考虑，人们一直在研究飞行员着陆时使用的视觉特征。目的是了解飞行员使用的特征并确定他们的敏感性[5]，以便模拟人类反应并改善飞行员训练。[6] 介绍了用于在对准、进近和着陆期间控制飞机的视觉特征的相当完整的最新技术水平。例如，消失点和撞击点之间的距离允许飞行员跟随下降滑行。在[7]和[8]中，考虑到小角度假设，建立了相对姿势和视觉特征之间的联系。航母着陆主要在辅助系统范围内研究，该辅助系统处理光学着陆系统的可见性。海军飞行员降落在航母上的方法之一是控制飞机，以便将平视显示器 (HUD) 上的下滑道矢量聚焦到甲板上的三角形标记上，如图 1a 所示。另一种方法是将飞机的下滑道矢量与甲板上的三角形标记对齐，如图 1a 所示。
实现城市中的自主起飞和降落... - CGI.com
在当今大多数常规民航运营中，运营可靠性和安全性在很大程度上是通过在空中和地面提供受保护的环境来实现的。飞机起飞和降落在机场，这些机场大多受到保护，不会受到不受控制的交通干扰。因此，从主要机场到专用直升机停机坪，飞机运营可以依赖于一个相当可预测的环境。当民用飞机在不受控制的空域中运行时，主要责任在于飞行员发现和避免危险，而在机场和直升机场外起飞和降落通常依靠地面人员来识别和保护合适的运营区域。在所有情况下，经过专门训练的飞行员都会非常小心地操纵飞机避开障碍物和其他交通，几乎完全依靠“看见并避开”。提供这种受保护环境的必要性限制了城市空域的容量，也是城市空中交通目前仅限于直升机服务的主要原因之一，用于 VIP 运输、观光和紧急服务。
基于视觉的自主降落和抗己型无人机的充电系统
基于无人机的系统的挑战之一是车载电池的容量有限。为了克服机载电池容量的限制，本文介绍了一种智能的决策系统，用于自动着陆和充电过程。该系统旨在充电排干电池并延长飞行持续时间。基于红外发光二极管（LED）检测和标记识别。在这项研究中精心设计和使用了一个具有二十个红外LED和八个条形码的新型着陆垫。着陆过程分为两个阶段。在第一阶段，由配备红外通滤波器的摄像机观察到LED，而在第二阶段中，两个像素摄像机观察到条形码。将无人机降落在适当的极性上，然后开始充电过程，这是一种基于OTSU阈值方法的基于层次视觉的自主着陆算法（HVALA）和高斯（LOOD）操作员的Laplacian。整个系统是通过一系列自动驾驶飞行设计和测试的。在着陆过程的最后阶段获得的实验结果证实了系统的可行性和鲁棒性，在该系统平均观察到4.4厘米的较小误差为4.4厘米，最大着陆时间为10秒。在本应用程序中可以接受此类错误，并导致较高的着陆成功率。
无人机自动着陆系统集成了野生环境中的定位，跟踪和降落
无人驾驶汽车（UAV）的抽象高可利用性着陆系统已广泛关注它们在复杂的野生环境中的适用性。准确的定位，灵活的跟踪和可靠的恢复是无人机着陆的主要挑战。在本文中，提出并实施了一个新型的无人机自动着陆系统及其控制框架。它由环境感知系统，无人接地车辆（UGV）以及斯图尔特平台定位，跟踪和自动恢复无人机。首先，开发基于多传感器融合的识别算法是为了借助一维转盘实时定位目标。其次，提出了由UGV和着陆平台组成的双阶段跟踪策略，以动态跟踪着陆无人机。在广泛的范围内，UGV负责通过人工电位场（APF）路径计划和模型预测控制（MPC）跟踪算法进行快速跟踪。虽然在平台控制器中采用了梯形速度计划来补偿UGV的跟踪误差，但在较小范围内实现了对无人机的精确跟踪。此外，一种恢复算法，包括姿态补偿控制器和阻抗控制器，是为Stewart平台设计的，可确保无人机的水平和合规降落。最后，广泛的模拟和实验致力于验证开发系统和框架的可行性和可靠性，这表明它是在野生环境（例如草原，斜坡和雪）中无人用自动降落的卓越案例。
准许降落：飞行员在最后进近期间目视检测小型无人机
在仪表进近着陆场景中对无人机进行视觉检测。本研究旨在更好地了解人为因素对飞行员在进近和着陆环境中检测和避免与小型无人机系统发生潜在碰撞冲突的影响。作者试图检查飞行员在模拟仪表进近的视觉部分对可能造成碰撞风险的 sUAS 飞行器的平均视觉检测距离。本研究是一系列有关 sUAS 检测、可见性和防撞的相关现场实验中的第三个（Loffi、Wallace、Jacob 和 Dunlap，2016 年；Wallace、Loffi、Vance、Jacob、Dunlap 和 Mitchell，2018 年）。作者试图为飞行员制定操作策略，以提高在国家空域系统中运行的小型无人机的可见性、检测和防撞能力。
使用数据驱动的机器学习的锂离子电池用于电动垂直起飞和降落飞机的预后
电池的健康管理是采用电动垂直起飞和起飞车辆（EVTOLS）的关键推动力。目前，很少有研究考虑EVTOL电池的健康管理。EVTOL的电池电池的一个不同特征是，与汽车所需的电池放电率相比，在起飞和降落期间的放电率明显更大。此类排放方案有望影响电池的长期健康。本文提出了一个数据驱动的机器学习框架，以估计在不同的飞行条件下的健康状况和使用的EVTOL电池的剩余时间，并考虑了EVTOL的整个飞行配置文件。考虑了三个主要特征，以评估电池的健康：充电，排放和温度。这些特征的重要性也被量化。考虑到飞行前的电池充电，执行了针对健康和剩余的千篇一律预测任务的选择。结果表明，在预测电池最先进和剩余的少年时，与放电相关的功能确实具有最高的重要性。使用几种机器学习算法，可以通过随机的森林回归和极端的梯度提升来很好地估计电池最先进的和剩余的寿命。
Air Traffic Engineering and Standards
首先道天线为仪表着陆系统的组成部分，它能够提 提供准确的方向指示及下降导航讯号，在正常或即使在统计的天气状况下，航机亦能安全地在跑道上着陆。 滑翔路径天线是安装在机场的仪表着陆系统的一个组成部分，提供精确的下降引导信号，以便在所有天气条件下飞机在跑道上安全着陆。
