登录社区云，与社区用户共同成长
邀请您加入社区
针对四旋翼无人机与非线性机器人汽车系统的强非线性、参数不确定性及复杂环境扰动等控制难题，本文提出一种基于神经网络（NN）与模型预测控制（MPC）融合的复合控制算法，突破传统控制方法在复杂非线性系统中建模精度不足、实时性差、鲁棒性弱的局限。首先，梳理NN与MPC的核心理论及融合逻辑，利用神经网络强大的非线性拟合与自适应学习能力，补偿MPC对精确系统模型的依赖，同时借助MPC的滚动优化与约束处理优势，
该模型不仅延续了 YOLO 系列标志性的快速推理特性，更在 CPU 推理速度（提升 43%）、模型轻量化及边缘设备适配性上实现颠覆性突破，同时凭借统一架构设计大幅降低了技术门槛 —— 无论是物体检测与实时跟踪、精细实例分割，还是图像分类、姿态估计、旋转边界框检测等多样化计算机视觉任务，YOLO26 均能以极简的部署流程与稳定的输出效果高效应对，成为兼顾专业性能需求与边缘计算场景的优选方案，为智能交
数据集是计算机视觉技术研发的核心支撑资源，贯穿算法训练、性能验证与效果评估全流程，兼具全面性、适配性与权威性。它囊括图像分类、目标检测、实例分割、语义分割等多类任务导向的样本集，覆盖自然场景、工业制造、医疗影像、遥感监测等多元应用领域。优质数据集具备样本规模庞大、标注精度严苛、训练验证测试子集划分科学的特点，既是驱动深度学习算法创新迭代的关键基石，也为人工智能产品落地与前沿学术研究提供坚实保障。红
NOKOV度量动作捕捉系统可以很好的适配PX4无人机飞控平台。进行数据通信的时候，使用SDK或者VRPN的方式都是可以的。本文演示NOKOV度量动作捕捉系统通过VRPN与PX4平台进行数据传输的方法。
IMU是机器人感知自身运动状态的核心传感器，通过内置的加速度计与陀螺仪测量机器人的加速度与角速度，经算法解算后为机器人的控制、导航、平衡等功能提供关键数据，广泛应用于轮式机器人、足式机器人、无人机、机械臂等各类机器人系统中。加速度计：测量机器人三轴线性加速度，ER-MIMU-064 加速度计量程 30g，零偏稳定性（10s 1σ）<50ug，零偏重复性 100ug，非线性系数 < 100ug/g²
高精度地籍测绘是指利用高精度测量技术和设备对土地及其权属进行系统性测量、记录和分析的过程。其主要目标是为土地管理、城市规划、资源配置等提供准确的数据支持和科学依据。高精度地籍测绘不仅包括传统的测量方法，还结合了现代技术，如无人机遥感、全球定位系统（GPS）和地理信息系统（GIS）等，以提升测绘的精度和效率。在高精度地籍测绘中，测量精度通常达到厘米级或更高，这意味着测量结果可以满足政府部门、土地管理
计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。本文以YOLO11为基线，提出YOLO-UD检测网络：通过多粒度上下文增强（C3kHR）+ 高效自适应特征融合（EAFN）+ 专用小目标检测层（SMDL）+ 轻量化下采样（ADown），实现面向无人机场景的高精度 + 实时性 + 强鲁棒性目标检测，为工程落地提供有效方案。SSMA-Y
本文完整开放一套高分辨率无人机低空街景语义分割数据集，配套深度学习训练代码与工程范式，可直接用于街道巡检、目标分割、异常检测、场景理解等任务。
摘要：SCH16T-K20是一款高性能6DoF惯性测量单元(IMU)，专为机器人、无人机和摄像头系统设计。该产品采用新型低噪声加速度计，提供±8g加速度和±300dps角速度检测范围，支持3.0-3.6V工作电压和-40至110℃工作温度。作为SCH16T系列旗舰产品，其具备市场领先的精度、机械稳定性和可靠性，适用于自动驾驶、惯性导航、飞行控制、机器人控制等安全关键应用场景，是组合惯导系统和测G仪
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。
摘要: 本文探讨了在复杂的海陆空多栖环境下，利用粒子群优化(PSO)算法进行无人机及空中机器人等飞行器三维路径规划的问题。针对传统路径规划算法在处理多约束、高维度、动态环境等难题上的不足，本文提出了一种基于改进PSO算法的三维路径规划方法。该方法有效地考虑了地形限制、障碍物规避、飞行器动力学特性以及多栖环境的特殊性，实现了在复杂环境下安全、高效的路径规划。本文详细阐述了算法的设计思路、具体实现步骤
本文提出了一种改进的无人机航拍图像小目标检测模型RB-YOLOv11s。针对无人机图像中小目标检测的难点，模型设计了重参数化幽灵跨阶段高效聚合网络(RGNet)增强特征表征能力，并采用BiFPN-GLSA网络优化特征融合。在VisDrone2019数据集上的实验表明，该模型相比原YOLOv11s，检测精度(mAP50)提升1.9%，参数量降低25.5%，有效解决了小目标检测精度低的问题。该技术可应
在复杂场景中检测小目标（如无人机拍摄的图像）是一项艰巨的挑战，因为难以捕捉小目标的复杂特征。虽然YOLO系列在大目标检测方面取得了巨大成功，但在面对小目标时，其性能却不尽如人意。因此，本文提出了一种革命性模型SL-YOLO（Stronger and Lighter YOLO，更强更轻量的YOLO），旨在打破小目标检测的瓶颈。
无人机（UAV）边缘计算是将边缘计算能力集成到无人机系统中，通过本地或近端数据处理降低延迟、减少带宽消耗，并提升实时性。适用于智慧城市、灾害救援、农业监测等场景。
基于matlab三维无人机机器人路径规划，可一键运行，有二维和三维显示等
随着无人机技术的飞速发展，无人机遥感图像在农业、环境监测、城市规划等领域的应用日益广泛。然而，由于无人机的飞行高度和角度的变化，以及图像采集过程中可能存在的姿态变化和光照条件的变化，无人机遥感图像中常常存在着一些畸变和噪声。因此，对无人机遥感图像进行校准和目标检测是十分重要的。无人机遥感图像校准是指通过一系列的图像处理方法，将无人机采集的图像进行几何校正和辐射校正，使得图像能够更准确地反映真实场景
摘要随着自动驾驶技术的快速发展，无人车障碍物规避成为确保车辆安全行驶的关键技术之一。本文提出了一种基于自适应模型预测控制（AdaptiveModelPredictiveControl,AMPC）的无人车障碍物规避算法，并详细阐述了其原理和实现过程。AMPC算法能够根据车辆自身状态和环境变化自适应地调整控制策略，从而提高无人车在复杂动态环境下的鲁棒性和安全性。
计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测。机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题。ViT-YOLO：基于Transformer的用于目标检测的YOLO算法。无人机航拍视觉检测，
我们在提取无人机数据的时候，可能会遇到由于无人机自身没有存储介质从而导致无法对无人机进行镜像解析数据的情况，今天给大家讲解下如何通过无人机自带的功能界面导出日志并解析。
首先，这个模型的基础是IEEE118节点系统，这是个经典的电力系统测试案例，用来模拟电力网络的运行情况。总的来说，加了新能源风机和光伏的IEEE118节点系统模型，可以进行从潮流计算到电能质量分析的各种电力系统分析。模型可进行潮流计算，最优潮流，短路计算，暂态稳定性分析，小干扰稳定性分析，电压频率稳定分析，电能质量分析等等等等。模型可进行潮流计算，最优潮流，短路计算，暂态稳定性分析，小干扰稳定性分
-1类激光产品, 符合Zui新标准IEC60825-1:2014（第3版）要求。Ø 用户检测（个人电脑/笔记本等设备用户检测唤醒、开关机）Ø 用户检测（个人电脑/笔记本等设备用户检测唤醒、开关机）Ø 移动机器人（快速测距和障碍物检测、巡墙行走）Ø 移动机器人（快速测距和障碍物检测、巡墙行走）Ø 无人机（着陆辅助、悬停、天花板检测）--尺寸:4.4*2.4*1.0(mm)Ø 无人机（着陆辅助、悬停、
本文介绍了PX4飞控日志分析的基础方法。主要内容包括：1) 日志下载的两种方式（TF卡读取和QGC地面站下载）；2) 日志分析工具FlightReview和PlotJuggler的使用；3) 四元数转欧拉角操作；4) FFT振动分析方法；5) 常用日志数据分类表（传感器数据、控制指令、飞行状态等）。文章提供了详细的步骤说明，帮助用户掌握日志下载、分析和故障诊断的基本技能。
无人机（Unmanned Aerial Vehicle, UAV）作为一种灵活高效的智能平台，凭借其无需驾驶员、可远程操控、适应性强等特点，在军事侦察、环境监测、物流配送、应急救援等领域发挥着日益重要的作用。然而，复杂的实际应用场景，例如海陆空多栖环境，对无人机的自主导航和路径规划提出了更高的要求。在这些环境中，无人机需要面对地形起伏、障碍物密集、环境变化剧烈等挑战，传统的路径规划方法难以满足实时
YOLO深度学习融合DeepSeek&Qwen双大模型西瓜病虫害智能诊断Web平台｜智慧农业田间植保视觉检测全栈实战项目
比如DeepSeek会把"轻型无人机（250g-4kg）"和"小型无人机（4kg-25kg）"的管理要求混为一谈。我在千机科技做无人机科普培训时，发现一个头疼的问题：CAAC的法规条文太专业，学员看完一脸懵。培训对象有青少年、家长、行业新人，每次讲到"视距内飞行""超视距执照""空域申请"这些概念，学员都记不住。反过来，如果Prompt模糊，LLM会"自信地犯错"——看起来很专业，实际上有隐蔽错误
考虑一个完全无向图GVAG = (V, A)GVA，其中V12nV12n为目标点（或节点）集合，AAA为可行路径边集。每条边ij(i, j)ijdijxi−xj2yi−yj2(1)\tag{1}dijxi−xj2yi−yj21设共有mmm台机器人，每台机器人从各自起点（可相同或不同）出发，访问若干目标点后返回起点。路径规划的目标是将VVV划分为mmm个非空子集S1。
考虑一个完全无向图GVAG = (V, A)GVA，其中V12nV12n为目标点（或节点）集合，AAA为可行路径边集。每条边ij(i, j)ijdijxi−xj2yi−yj2(1)\tag{1}dijxi−xj2yi−yj21设共有mmm架无人机，每架无人机从各自起点（可相同或不同）出发，访问若干目标点后返回起点。路径规划的目标是将VVV划分为mmm个非空子集S1。
无人机
——无人机
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
智能体开发者社区
HarmonyOS开发者社区
