登录社区云，与社区用户共同成长
邀请您加入社区
MAVROS 是无人机开发中连接机器人操作系统（ROS）与飞控系统的关键中间件，通过标准化通信协议实现ROS节点与无人机的交互。它基于MAVLink（Micro Air Vehicle Link） 轻量级通信协议，为ROS生态提供了与飞控（如Pixhawk、ArduPilot、PX4等）通信的统一接口，使开发者无需深入理解底层飞控协议，即可直接调用ROS的丰富工具链（如RViz可视化、Gazebo
从飞行效果来看，最终地面分辨率可达2cm，满足项目精度需求，在实景模型上可以量测距离，建筑占地面积，空置区域面积等尺寸信息，解决了改造无原始数据的难题。无人机倾斜摄影测量技术可快速获取厂区空间信息，建立实景三维模型，其成果可为厂区改造提供尺寸数据支撑，为改造设计提供厂区实际现状信息，助力厂区改造的可落地性和精准性。为了获取测区的高质量航片，兼顾无人机的安全性，项目选用设备为大疆MAVIC 3E无人
四旋翼无人机作为一种新型飞行器，近年来在各个领域得到广泛应用。其灵活性和可操控性使其在摄影、物流、搜救等方面展现出巨大的潜力。本文针对四旋翼无人机的控制问题，基于模型预测控制 (MPC) 和反馈线性化控制 (FBL) 两种方法，设计了两种不同的控制系统，并使用 Matlab 进行仿真验证。通过比较分析两种控制策略的优劣，展示了 MPC 和 FBL 在四旋翼无人机控制中的应用价值。1. 绪论四旋翼无
STONE 60A-M 是一款面向中高端无人机用户的电调产品，支持 6-14S 电池组，持续电流 60A，瞬时峰值可达 120A。79g 的超轻重量与 71×33×15.5mm 的紧凑尺寸，使其成为多旋翼、固定翼等机型的理想选择。STONE 60A-M 以 79g 的轻量化机身，实现了工业级电调的核心功能：稳定的动力输出、多重安全冗余、智能化参数适配。南昌长空的STONE 60A-M 电调的表现印
四旋翼飞行器因其结构简单、机动性强、易于控制等优势，在近年来得到了广泛的应用。然而，由于四旋翼飞行器自身的非线性特性和外部环境干扰，其精确控制一直是研究的难点。为了解决这一问题，本文将基于 SQP 求解器、Runge-Kutta 方法和模型预测控制 (MPC) 技术，实现四旋翼飞行器的全系统动力学设计。1. 系统动力学模型四旋翼飞行器的动力学模型可以用牛顿-欧拉方程描述。该模型考虑了飞行器的质量、
本文介绍了使用模型预测控制 (MPC) 实现无人机轨迹跟踪的方法。MPC 是一种先进的控制技术，通过预测未来状态并优化控制输入来实现对复杂系统的控制。本文详细介绍了 MPC 的原理、无人机模型和轨迹跟踪算法的实现。引言无人机在各种应用中发挥着越来越重要的作用，例如航拍、货物配送和搜索救援。对于无人机来说，自主导航和轨迹跟踪是至关重要的能力。MPC 是一种强大的控制技术，可以有效地实现无人机的轨迹跟
根据实验结果，分析RT-DETR在电力设备过热故障检测中的应用优势，探讨其面临的挑战，并结合最新研究动态提出改进方法。与传统的卷积神经网络（CNN）相比，RT-DETR在目标检测的速度和准确性上都有了显著的提升，尤其在复杂环境中的表现尤为突出。分析，RT-DETR能够准确识别设备的温度异常变化，及时发现过热故障点，为设备安全管理提供强有力的支持。，传统方法难以检测，而RT-DETR能够自动从图像中
一、研究背景与意义随着 5G/6G 通信技术、物联网（IoT）及智能装备的快速发展，用户对通信网络的覆盖范围、连接质量及灵活性提出了更高要求。传统地面通信基站受限于固定部署模式，在应急救援、偏远地区通信、大型集会临时通信等场景下，存在覆盖盲区多、部署周期长、成本高等问题。无人机（Unmanned Aerial Vehicle, UAV）凭借其机动性强、部署灵活、覆盖范围广等优势，成为构建临时通信网
清华大学&香港科技大学&南洋理工大学&吉林大学联合研究的多无人机协同具身感知与推理基AirCopBench，这是首个聚焦多无人机协同具身感知与推理的综合基准，验证了模拟到真实迁移的可行性，填补了现有基准缺乏具身协同推理评估的空白。
无人机巡检数据集:航拍松材线虫病害识别数据集(YOLO模型已训练)-数据集第10037期
定位技术：无人机需要精确的定位信息来确定自身的位置和速度，以便与其他无人机保持相对位置和队形。原理：通过设定一架无人机作为长机（领航者），其他无人机作为僚机（跟随者），僚机根据长机的信息来调整自身的飞行状态，以保持与长机的相对位置和队形。所有无人机都根据虚拟领航点的位置和速度来调整自身的飞行状态。原理：通过将无人机之间的相互作用模拟成人工势场中的力，通过计算势场中的力来控制无人机的运动，以达到队形
接着，B样条局部路径重规划方法在MATLAB中测试，模拟全局路径执行过程中突然出现障碍物的情景，结果表明该方法能快速调整路径，成功避开障碍物，且调整后的路径保持了高平滑性和连续性，未引入剧烈抖动。在局部重规划过程中，当传感器检测到障碍物时，算法首先识别全局路径中与障碍物冲突的段，然后利用B样条的凸包特性，移动相关控制点以使路径绕开障碍物，同时保持路径的连续性和平滑性。例如，通过调整节点向量，可以确
军事目标检测数据集-16233张图片 军事识别 无人机侦察 战场感知 智能安防 智能安防
YOLOv10作为YOLO系列的最新版本，以其高效的检测速度和较高的精度，成为无人机红外检测系统的理想选择。本项目旨在利用YOLOv10算法，结合红外图像数据，开发一套高效、准确的车辆和行人检测系统，为无人机应用提供智能化支持。
由让电机控制更精准、低延迟；避免模拟 PWM 信号存在的误差、漂移；提供CRC 校验来防止信号误触发。DShot 是一种**单线、单向（也可双向）**的数字协议，通过 MCU 的 GPIO 直接输出定时波形（通常使用 DMA + 定时器输出）。字段位宽说明11 bits油门值或命令码Telemetry1 bit遥测请求标志CRC4 bits校验合计16 bits一帧固定长度是否希望我帮你画一张DS
无人机航拍桥梁巡检数据集 桥梁病害腐蚀 钢筋裸露 桥梁裂缝 桥梁制备入侵图像数据集
YOLO训练智慧工地工程车装备车辆数据集（无人机，高空视角下）
电力电网巡检计算机视觉数据集-3729张图片 电力巡检 图像分类 深度学习 无人机巡检 智能电网 电力安全 工业检测
基于stm32的DIY多旋翼无人机，MPU6050平衡模块，无线通信模块，电机驱动模块等，项目全部“手搓”，难免会有不进入人意的地方，希望各位粉丝喜欢，不喜勿喷！！
目录无人机的应用现在非常广泛，尤其在智慧消防、巡检等应用场景，无人机的非常普遍。但是有些无人机的画面只能飞手自己看到实时直播，需要回传到流媒体平台直播或监控平台时就需要进行额外的流媒体中转。
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["cover","electronic-waste","empty","gravel","insulator-wool","metal","mixed-waste","plasterboard","polystyrene","roofing-felt","wood","wood-panel"]
本文介绍了基于PX4飞控和大疆MID360激光雷达的无人机室内自主定位系统。系统采用Jetson Orin Nano作为机载电脑，通过FAST-LIO算法处理激光雷达数据，将定位信息转换为ENU坐标系后通过MAVROS发送给PX4飞控。文章详细说明了系统搭建步骤，包括环境配置、坐标转换、话题发布等关键环节，并提供了起飞控制代码。在实现过程中遇到了桨叶尺寸和安装位置影响定位精度的问题，最终通过更换小
由于信息来源众多，若文章内容出现版权问题，或文中使用的图片、资料、下载链接等，如涉及侵权，请告知我们，我们将尽快处理。发现异常时（如管道泄漏、人员越界），系统立即推送预警信息至管理人员手机，并标注具体位置。将激光雷达数据与管网台账叠加，生成 “管网泄漏风险热力图”，标注高风险区域（如 “某路段地面沉降 2cm→对应下方 DN800 供水管，建议重点排查”）针对输电线路 “跨山、跨河” 场景，飞控开
DIY一个基于树莓派和Python的无人机视觉跟踪系统无人机通过图传将航拍到的图像存储并实时传送回地面站几乎已经是标配。如果想来点高级的——在无人机上直接处理拍摄的图像并实现自动控制要怎么实现呢？其实视觉跟踪已经在一些高端的消费级无人机上有了应用，不过玩现成的永远没有自己动手来劲;）。前段时间DIY了一个无人机三轴云台的视觉跟踪系统，除去云台花了¥370，本文将设计思路与实验效果分享...
开源无人机控制中枢 作为一款强大的地面站软件，QGC（QGroundControl）专为无人机操作员打造，集成了实时飞行监控、精准任务规划、深度数据分析以及与无人机系统其他组件的无缝互动。在无人机操作中，它犹如核心纽带，不仅连接着飞行员与飞行器，更是决定任务执行成效的关键要素。其全面的功能和开放源代码的特性，使之在无人机领域中占据举足轻重的地位。
面对智慧农业快速发展与专业人才缺口的矛盾，传统无人机农林实训因设备昂贵、风险高、受季节制约而难以开展。虚拟仿真技术为此提供了新路径。以“AI+虚仿”实训基地为例，通过MR交互、数字沙盘等技术，学生可在虚拟环境中完成从无人机拆装、航线规划到农情诊断的全流程操作，实现原理认知与技能训练深度融合。系统支持多人协同，并通过AI记录与评估，精准推送个性化训练。实践证明，该模式有效提升了学生的数据处理准确率和
深度强化学习（DRL）作为一种结合深度学习和强化学习的技术，在无人机路径规划等领域展现出巨大潜力。其核心机制是通过智能体（如无人机）与环境互动，基于奖励惩罚机制自主学习最优策略。在无人机应用中，DRL算法（如Q-learning、DQN等）通过感知环境、规划路径、执行动作并获取反馈的循环过程，逐步提升飞行性能。最新研究聚焦动态奖励函数设计、视觉语言导航等方向，如OpenVLN框架通过有限数据实现了
无人机
——无人机
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
曙光工业编程平台sugonri
北京朝阳AI社区
魔乐社区
