登录社区云，与社区用户共同成长
邀请您加入社区
3GPP TS 23.256 技术规范，主要定义了3GPP系统对无人机（UAV）的连接性、身份识别、跟踪及A2X（Aircraft-to-Everything）服务的支持。这份技术规范全面涵盖了3GPP系统对无人机支持的各个方面，从架构模型、功能实体定义到具体的高层功能描述和流程，为无人机在3GPP系统中的安全、高效运行提供了技术基础和实现指导。
3.1 定义就本文件而言，适用TR 21.905[1]中给出的术语和定义以及以下内容。如果本文件中定义的术语与TR 21.905[1]或TS 23.501[2]中的相同术语有冲突，则以本文件中的定义为准。3GPP UAV ID：由3GPP系统分配的标识符，并由外部AF（例如USS）用于识别无人机。GPSI用作3GPP UAV ID。A2X通信：支持利用PC5和/或Uu参考点实现飞机到万物（A2X）
双5G蜂窝、5G蜂窝+1.4G蜂窝、5G蜂窝+1.4G/700M自组网；支持链路侦测SINR、RSSI、RSRP、RSRQ、Cell ID和5G/4G信号等、支持MPTCP链路捆绑；：提供独立的千兆网口和USB接口，以及独立的DC供电输出，便于快速接入类似超声波、地磁等传感器、超高分辨率的工业相机等。：提供独立的USB、UART接口，以及独立的DC供电输出，便于快速接入类似超声波、地磁等传感器、超
深圳市云望物联技术有限公司致力于物联网技术发展，远距离wifi无线通信传输模块其创新的LR-WiFi技术（Long Range WiFi远距离WiFi无线模块），远距离无线自组网MESH自组网模块解决了低成本，高性能，高速率，远距离的无线通信难题，最远16km地对空200米高实测。未来的图传系统将实现多链路冗余、AI辅助的信道预测与干扰避让，结合云端数据分析，提供更个性化的传输策略，适配不同行业的
空中订阅在访问和移动性订阅数据中包含空中用户设备（UE）指示（类似于EPS中定义的空中UE指示），并且在每个专为UAS服务（C2和UUAA-SM）设计的DNN的会话管理订阅数据中包含空中服务指示，这表明必须使用基于API的机制进行相应的身份验证/授权。假设无人机的3GPP网络订阅不包含关于USS的任何信息。：在A2X服务的情况下，归属策略控制功能（H-PCF）提供的服务用于在漫游情况下，向访问者策
本次基于采用传统识别方法,对于同种型号无人机不同个体识别率不高，射频指纹的提出为解决这一问题提供了思路，射频指纹仅与自身的物理硬件特征相关，是表征设备的个体的独有特征，通过研究面向无人机不同个体识别，基于瞬态特征采用射频指纹实现对无人机个体的识别。射频指纹识别技术在实际应用中，通过应用设备提取射频指纹数据信息，并在物理层进行设备数据信息的识别与匹配工作。射频指纹是由信号发射机内部元器件模块在实际工
最近在研究大疆智图api，感觉文档写的不是很详细，样例代码也看不懂，而且没有java样例代码。本文章只写了部分api调用，详细api查看本文章。这是本人第一次发表文章，也不是java大佬，如果文章和代码出现问题或者需要优化的地方，请大家纠错提醒。本文章尽可能把使用大疆智图api步骤写完整。
文章摘要：本文详细介绍了在Linux环境下配置NVIDIA显卡驱动、安装Unreal Engine 4.27和AirSim仿真平台的完整流程。包括禁用系统自带驱动、安装推荐驱动、编译修改UE4源码、手动安装Eigen库解决编译问题等关键步骤，并提供了AirSim运行测试方法。特别强调了驱动安装时的MOK管理密码设置和UE4源码修改等易错环节，最后展示了通过Python脚本控制仿真飞行器的验证方法。
蒙大拿州比格福克，2023年02月28日——uAvionix 今天宣布推出其无人机Remote ID广播模块pingRID。
1.第一步要去大疆智图开发者申请api，需要填公司信息，不然审核不通过。获取ak和sk后在下载2维实例数据，将它们配置在代码里就可以运行了。python代码（我代码中只获取了result.tif，需要高程tif等其他结果可以自行修改）：
引入人工智能（AI）和机器学习（ML）算法，实时分析信号质量、识别干扰类型，并动态优化信道选择、跳频策略和抗干扰方案，实现从“被动应对”到“主动预测”的转变。通过片上系统（SoC） 和先进封装技术，进一步整合射频前端、基带处理和处理器，在提升性能的同时减小尺寸、降低功耗，克服SWaP约束。在强干扰环境下，实现发射端（遥控器）和接收端（无人机）在微秒级别内的同步跳频至关重要。对于高速无人机（如竞速机
国防科大周晗老师团队在IROS 2025上发表多智能体追逃的知识增强DRL方法，度量动捕提供多架Crazyflie无人机的位置和速度数据，助力验证本文算法。
随着无人机技术的快速发展，多无人机协同任务分配问题逐渐成为研究热点。本文针对多无人机协同任务分配问题，提出了一种基于粒子群算法的解决方案。该算法将无人机任务分配问题转化为优化问题，利用粒子群算法的全局搜索能力，寻找最优的任务分配方案，从而提高任务效率，降低任务成本。关键词：多无人机，任务分配，粒子群算法，优化问题1. 引言近年来，无人机技术飞速发展，其应用领域不断拓展，在军事、农业、物流、灾害救援
无人机有四个输入自由度，即四个旋翼推力的大小，用于控制六个平移和旋转自由度，实现四个输出的渐近跟踪，即车辆质心的三个位置变量和一个车身固定轴的方向。有几个大学级项目[1]，[2]，[3]，[4]和商业产品[5]，[与其他刚体动力学的几何控制方法相比，这是不同的，因为它控制驱动不足的四旋翼无人机使用四个推力输入稳定六个平移和旋转自由度，同时渐近跟踪四个输出，包括其位置和航向方向。这种方法已被应用于李
介绍了一种改进粒子滤波的无人机航迹预测的新方法。在对无人机航迹进行分析的基础上, 选择了对航迹影响敏感的俯仰角、横滚角、偏航角等姿态角作为研究参数。通过对大量飞行姿态角数据的分析, 建立了系统的状态空间方程。最后, 运用粒子滤波算法, 通过对姿态角的预测间接实现无人机航迹的预测。通过与飞行真实值的比较, 验证了改进粒子滤波的航迹预测方法的有效性。航迹预测是根据无人机当前的飞行状态、气象信息等对无人
随着无人机及其相关技术的日渐成熟,搭载多种传感器的专业型无人机被广泛应用于各种各样的领域。在借助无人机进行大规模设施巡检的场景下,选择不同的巡检路线所耗费的作业时间相去甚远。因此,如何规划无人机的路径是本场景下的关键问题。高效的无人机路径规划算法将极大的提升巡检效率、降低巡检成本。然而,受限于电池容量,现有无人机的续航时间十分有限,难以直接胜任较远距离的巡检任务。
该算法通过一组已知位置的敌方雷达站点生成隐形路径，并提供一种直观的方法来权衡隐身与路径长度。第一步，通过构建和搜索基于 Voronoi 多边形的图形，通过雷达站点生成次优粗切路径。在第二步中，以图解作为初始条件，模拟一组非线性常微分方程。常微分方程描述了位于虚拟力场中的一组虚拟质量的动力学。虚拟力量将群众从雷达上推开，彼此靠近。对常微分方程进行仿真以找到局部的指数稳定平衡解，该解被解释为最佳路径。
很高兴能够与大家分享关于使用ode45实现四旋翼无人机姿态仿真的内容。在本文中，我们将深入探讨无人机技术的发展以及如何利用ode45这一数值求解器来实现四旋翼无人机的姿态仿真。无人机技术近年来得到了迅猛发展，它在军事、民用、科研等领域都有着广泛的应用。无人机的姿态控制是其关键技术之一，通过仿真可以更好地理解和优化无人机的飞行性能。首先，让我们来了解一下ode45数值求解器。ode45是MATLAB
无人机路径规划中，首先需要根据无人机的飞行特性以及飞行环境建立路径规划模型。该模型主要包括三个关键部分：飞行环境、性能约束和路径规划评价指标。： 无人机飞行环境主要由地形、障碍物、建筑物以及飞行禁区等组成。对于复杂的城市环境来说，地面建筑物、山地等障碍物会对无人机的路径规划产生较大影响。无人机路径规划的核心目标是生成一条避免这些障碍物的飞行路线。
由于PX4-Autopilot托管在github，在国内下载可能遇到各种网络问题导致无法下载。为了提高下载速度，我们将PX4在github上的仓库以及其子仓库（依赖仓库）都搬移到gitee上了。这里我们详细说明下如何下载代码。
四旋翼无人机具有成本较低、设备简单、飞行时间灵活等特点，近些年被广泛应用于军事和民用领域，如目标侦察、应急救援、农业植保、无人机灯光表演。随着任务复杂度的增加，单架无人机往往难以满足任务需求，因此无人机集群控制及其应用由此成为目前的研究热点，多无人机集群能够提高执行任务效率和灵活度。无人机队形变换控制方法是实现多无人机编队飞行的前提，集群无人机队形重构问题是我们要考虑的一个重要问题，让每架无人机都
PX4 官网的官方文档dronekit部分https://dev.px4.io/en/robotics/dronekit.html。Dronekit是一个与无人机飞控搭配使用，方便开发者使用代码控制无人机。对于Dronekit，PX4被支持的较少，不可以进行模式切换，而对Ardupilot支持的比较多，可调用的函数也比较多。对于Ardupilot与无人机搭配使用，有一篇还不错的博客，本篇有些内容摘
随着无人机技术的飞速发展，无人机在城市环境中的应用越来越广泛。在复杂城市地形下，无人机三维路径规划至关重要，直接影响无人机的安全性和效率。本文提出了一种基于 A 星算法的无人机三维路径规划方法，该方法考虑了城市建筑物和障碍物的约束，能够有效地生成满足安全性和效率要求的三维航迹。A 星算法是一种启发式搜索算法，广泛应用于路径规划问题。该算法通过评估节点的启发式函数和路径代价，选择最优路径。启发式函数
无人机物流作为解决"最后一公里"配送难题的关键技术，其路径规划需应对复杂城市环境中的动态障碍物、天气变化、续航限制等挑战。基于Q-learning的强化学习算法通过无模型学习机制，在无需预先构建环境模型的情况下，可自适应动态调整路径策略。本文系统梳理了Q-learning在无人机物流路径规划中的技术实现路径，结合三维栅格建模、多目标奖励函数设计、动态探索策略等关键技术，验证了其在路径最优性、收敛速
基于变分贝叶斯自适应卡尔曼滤波器（Variational Bayesian Adaptive Kalman Filter，VPAKF）实现无人机状态估计的步骤如下：建立状态空间模型：根据无人机的动力学方程和传感器测量方程，建立无人机的状态空间模型。这包括状态变量（位置、速度等）和控制输入（推力、姿态等）之间的关系。初始状态设置：设置初始状态向量和协方差矩阵。这反映了无人机在时间开始时的估计状态以及
完成无人机航测数据采集，在记录过程中开始二次航测，分解无人机飞行路线，确保飞行路线更加准确与全面，在收集航测数据过程中采取有效措施提高无人机摄像分辨率，使数据质量更高。获取无人机航测数据时，不但要对其进行检测，还要通过数据分析技术对检测获取的数据进行分析，使数据资料精确度更高。无人机航测技术具有数据采集能力强、精确度高的优点，对无人机操作人员技术水平要求较低，极大程度减少了无人机操作时间与数据分析
蜘蛛蜂优化算法(SWO)是一种新型的启发式算法，它模拟了蜘蛛和蜂的行为，通过蜘蛛的网和蜜蜂的飞行路径来实现优化搜索。这种算法已经在许多领域得到了广泛的应用，包括无人机路径规划。在复杂的山地环境下，无人机的三维路径规划是一个具有挑战性的问题。传统的路径规划算法往往难以在这种环境下找到最优解，因为山地地形的复杂性会导致搜索空间非常大，而且存在许多局部最优解。因此，研究人员开始探索使用SWO算法来解决这
通过收集使用V1版本的Prometheus 450无人机的开发者反馈，我们了解到斜线降落精度不足的问题，为此，我们及时推出了Prometheus V2版本，采纳垂直降落控制技术，进一步提升了无人机二维码识别降落的精度。在Prometheus项目的初代技术（V1版）中，我们采用了斜线降落控制技术，无人机通过识别二维码后，沿着与二维码的直线距离设定降落路径直接降落。随着Prometheus V2版技术
本文详细介绍了飞控姿态解算中的难点，包括姿态结算为什么要使用传感器数据融合，如何进行数据融合，最后详细解析了Mahony姿态解算的代码。
在无人机技术的快速发展和广泛应用的背景下，多无人机多任务分配问题成为了一个备受关注的研究领域。随着无人机数量的增加和任务复杂度的提高，如何高效地将任务分配给多个无人机，以实现最佳的任务完成效率，成为了一个非常重要的问题。传统的任务分配方法通常采用集中式或分布式的策略，但随着无人机数量的增加，这些方法往往会面临计算复杂度高、通信开销大以及任务分配效果不理想等问题。为了解决这些问题，研究者们开始关注基
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
在过去的七年中，材料、电子、传感器和电池的进步推动了微型无人机(MA V)的发展，长度在0.1-0.5米之间，质量在0.1-0.5公斤之间。一些研究小组构建并分析了10厘米范围内的MA v[2,3]。其中最小的是Picoflyer，螺旋桨直径60毫米，质量3.3 g[4]。50厘米范围的平台更为普遍，有几个团队已经建造和飞行了这种尺寸的系统[5-7]。事实上，在这个尺寸范围[8]中，有几种商业上可
无人机
——无人机
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
讯飞AI开发者社区
2048 AI社区
北京朝阳AI社区
