登录社区云，与社区用户共同成长
邀请您加入社区
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。
智慧体育场馆不仅是赛事承办的基础设施，更是城市运动服务、健康管理、商业运营的“超级入口”。据《体育场馆智慧化评价规范》数据显示，2024年全国已有68%的体育场馆启动智慧化改造，用户体验效率提升40%以上。：覆盖“运营服务、运维管理、安全应急”三大模块，实现票务管理、赛事直播、客流分析、能耗监管等20余项场景化功能。：作为全国智慧场馆标杆，其“运动大脑”平台整合50余个子系统，实现“一键办赛”。：
想象一个场景：多台鸿蒙手机/平板分布在监测区域内，同时采集同一无人机的信号，通过分布式软总线交换数据，利用到达时间差算法进行定位——这在传统单设备方案中几乎不可能实现。但考虑到鸿蒙设备的普及度和分布式能力的潜力，这已经是低成本、易部署的可行方案。更重要的是，同型号不同个体之间也存在微小差异——电机轴承的细微磨损、螺旋桨的不平衡，都会在频谱上留下痕迹，这就是“声纹识别”的基础。实测显示，在搭载NPU
无人机“听声辨位”实战：电磁与声学信号分析及鸿蒙系统实现
本文介绍了一个基于Flutter框架开发的无人机航拍规划界面实现方案，重点展示了飞行条件仪表盘和日志界面的构建过程。通过组合Flutter原生组件，实现了航空风格的圆环状态指示器、地图规划入口和带高度柱状图的日志卡片。该方案采用纯Dart代码开发，可无缝适配HarmonyOS 7.0平台，具有跨平台优势。文章详细解析了四宫格条件面板的动态配色逻辑、地图区域设计以及日志卡片的复合布局技巧，并分享了开
立体视觉与深度学习是计算机视觉领域实现环境感知与理解的核心技术组合。立体视觉通过模拟人眼视差原理，从多视角图像中恢复场景的三维结构信息，为机器人提供了关键的深度感知能力。深度学习，特别是卷积神经网络，则能从海量数据中自动学习复杂、多变的特征表示，解决了传统算法在非结构化环境中鲁棒性差的难题。这两项技术的结合，为机器人在复杂动态场景下的自主作业奠定了坚实的技术基础，其价值在于将感知能力从“识别是什么
无人机识别检测系统在低空安防、空域管理和公共安全等领域具有重要应用价值。本研究基于YOLO26目标检测算法，构建了一套针对无人机目标的自动识别检测系统。系统使用包含1个类别（drone）的数据集进行训练，其中训练集1012张图像，验证集347张图像。实验结果表明，该模型在验证集上取得了95.1%的mAP50，精确率达到95.5%，召回率为88.6%，最佳F1分数为0.92。模型推理速度为1.7ms
本系统采用计算机视觉和深度学习技术，通过摄像头实时识别手势来控制PowerPoint演示，支持7种手势控制，包括翻页、启动演示、画笔标注等功能。项目已完成开发调试，配置环境后可直接使用。基于MediaPipe的智能手势控制PPT系统3。
功能： 系统实现了对于多种目标的识别检测功能：包括通过选择图片、视频、摄像头进行实时识别；基于深度学习的动漫人物识别3(设计源文件+万字报告+讲解)（支持资料、图片参考_相关定制）_文章底部可以扫码。3.测试图片、视频文件（.jpeg、.mp4、.avi等）‘Natsu Dragneel’: ‘纳兹·多拉格尼尔’,2.UI界面源文件、图标（.ui、.qrc、.py等）‘Elric Edward’:
基于深度学习的课堂学生行为检测系统3(设计源文件+万字报告+讲解)（支持资料、图片参考_相关定制）_文章底部可以扫码。文件：环境文件 UI文件模型训练文件 环境配置文档测试图片、视频 训练代码测试代码界面代码。课堂检测系统，学生检测识别，学生识别，状态识别系统。基于YOLOV8的课堂学生行为检测系统。数据可视化 - 直观的进度条和数据图表。检测结果保存 - 一键保存检测后的视频。实时统计 - 各类
猫狗识别人工智能代码基于深度学习的猫狗识别系统完整源码+数据集+项目报告1(设计源文件+万字报告+讲解)（支持资料、图片参考_降重降ai）yolov5yolov8目标检测算法模型大学生大作业用Python语言实现，深度学习和图像处理技术，pycharm运行，
本文深入探讨了滑模控制（SMC）在无人机和机械臂等机器人系统中的实战优势，包括其强大的抗干扰能力、快速响应和简单实现。通过详细的代码片段和设计步骤，展示了如何在实际应用中实现滑模控制，并提供了参数整定和抖振抑制的关键技巧，帮助工程师在不确定环境中提升系统性能。
架构，搭配全新DRSeg基准，彻底解决无人机视角下推理分割的小目标丢失、视角畸变、语义推理弱三大难题，成为无人机视觉理解的强力基线模型。基准数据集：1万张超高清无人机图+思维链QA标注，覆盖城市、公园、住宅区、工业区、滨水区，含昼夜、多高度、大量小目标。：超高清画面里充斥大量小目标（车辆、行人、设施仅占数十像素），传统MLLM压缩token会丢失细节。：倾斜视角+高空视角，几何畸变严重，现有地面/
无人机的稳定飞行依赖于精确的控制，比例 - 积分 - 微分（PID）控制器因其结构简单、鲁棒性强等优点，广泛应用于无人机的姿态和位置控制。然而，传统的 PID 参数整定方法往往依赖经验或试错，难以在复杂多变的飞行环境中实现最优控制。强化学习作为一种强大的机器学习技术，能够通过智能体与环境的交互学习，自动优化控制策略。将强化学习应用于无人机 PID 参数的调整，有望实现无人机在不同飞行条件下的自适应
本文介绍了一个基于DQN深度强化学习算法的无人机三维路径规划MATLAB实现方案。项目包含完整代码（含详细注释和简洁版本）、模拟数据生成、模型构建、训练评估等功能，具有以下特点： 采用优先经验回放(PER)和Dueling DQN架构，支持参数设置、训练暂停/继续和实时可视化 三维环境建模包含障碍物避障、路径优化等核心功能，通过奖励函数设计实现安全导航 提供8种评估图表，包括三维路径可视化、训练曲
本文介绍了一套基于YOLOv8的无人机道路损伤智能识别系统。针对传统人工巡检效率低、主观性强等问题，该系统通过无人机采集影像、YOLOv8模型自动分析病害，并实现可视化交互与决策辅助。相比分类模型，目标检测能准确定位病害位置和数量。YOLOv8的Anchor-Free架构和高效推理特性使其适合工程落地。系统采用五层架构设计，结合PyQt5实现图形化界面，从算法工具升级为应用系统。该方案不仅提升道路
本文详细介绍了如何利用AirSim无人机模拟多机位拍摄，打造虚拟航拍工作室。通过编程控制虚拟无人机上的多个相机，实现传统物理设备难以企及的拍摄灵活性和创造性，适用于影视制作、游戏开发和计算机视觉领域。文章还提供了多相机协同拍摄的实战代码和高级配置技巧，帮助读者快速掌握这一技术。
本研究基于YOLO26架构构建并训练了一款面向七类基础情绪（愤怒/厌恶/恐惧/高兴/中立 /悲伤/惊讶）的表情识别检测系统。实验数据集共包含5600余张图像，划分为训练集（4483张）、验证集（550张）及测试集（566张）。训练结果表明，该模型在验证集上取得了良好的收敛性。各类别中，“厌恶”（Disgusted）与“高兴”（Happy）的识别精度极高，mAP分别达到93.1%和91.2%。混淆矩
在空地一体化移动边缘计算场景中，无人机凭借机动灵活、部署便捷、覆盖范围广的优势，可作为移动边缘服务节点，搭载算力设备对地面分布式终端用户的计算任务进行实时卸载与就近处理，有效解决传统地面固定边缘基站覆盖盲区大、部署成本高、应急响应能力弱的问题。然而在复杂野外、陌生城市、动态干扰环境下，多无人机协同作业面临飞行障碍物规避、动态环境自适应、终端服务优先级差异化、多机无冲突协同等多重约束。
本文针对无人机红外视角下的目标检测任务，构建并评估了一套基于YOLO26架构的深度学习检测系统。研究旨在解决红外图像中目标特征模糊、背景复杂及小目标检测困难等问题。实验使用了包含“汽车”、“忽略区域”、“其他车辆”及“行人”四类目标的红外数据集，共计11,198张图像。训练结果显示，模型在验证集上取得了0.900的优异成绩。其中，“汽车”类检测精度高达0.979，“行人”与“其他车辆”亦表现稳健。
本研究提出了一种基于YOLO26的目标检测系统，用于钢材焊接缺陷的自动化识别与分类。该系统旨在解决传统人工目视检测效率低、主观性强及易疲劳等问题。我们构建了一个包含“Bad Welding”、“Crack”、“Excess Reinforcement”、“Good Welding”、“Porosity”和“Spatters”六类缺陷的焊接数据集，并对模型进行了全面训练与评估。为了训练和验证所提出的
针对低空无人机黑飞、违规飞行等安全隐患日益突出的问题，本文基于YOLO26目标检测算法构建了一套可见光条件下的无人机识别检测系统。系统采用单类别（无人机）检测方案，使用共计6252张可见光图像进行模型训练与验证，其中训练集5019张，验证集1233张。实验结果表明，模型在验证集上取得了0.992的精确率、0.908的召回率以及0.957的mAP50，最佳F1分数达到0.95。混淆矩阵分析显示，无人
无人驾驶飞行器（UAV）在军事、民用等众多领域得到了广泛应用。开发高效、准确的 UAV 模拟器对于 UAV 的设计、测试以及操作人员培训至关重要。结合粒子群优化 - 路径规划算法（PSO - PA）和 Q - learning 机器学习算法的 UAV 模拟器，能够更好地模拟 UAV 在复杂环境中的飞行行为，为 UAV 相关研究和应用提供有力支持。
在无人机执行任务过程中，遇到突发障碍物时的应急避障至关重要。二维水平面路径规划作为无人机飞行控制的关键环节，旨在为无人机在水平面上规划出一条安全、高效的飞行路径，避开各类障碍物。基于深度 Q 网络（DQN） - Q 学习融合快速探索随机树（RRT）的方法，结合了强化学习的决策能力与 RRT 的路径搜索优势，为应急避障下的无人机二维水平面路径规划提供了一种有效的解决方案。
本文完整梳理AU-AIR无人机城市低空巡检数据，配套YOLO训练、格式转换、推理统计全流程工程代码，开箱即用，快速构建城市低空智能视觉系统。10200
随着物联网、大数据和人工智能等技术的飞速发展，对无线通信的需求日益增长。传统的集中式网络结构已无法满足日益复杂的应用场景，尤其是突发性灾难事件的应急通信需求。移动边缘计算 (MEC) 技术将计算资源和数据存储能力扩展到网络边缘，为用户提供低延迟、高带宽的服务，成为解决应急通信挑战的重要技术。无人机 (UAV) 以其灵活机动、部署便捷的优势，能够作为移动边缘计算节点，构建空中移动通信网络，为灾区提供
背景：光伏电站运维的“视力”与“手脚”问题随着光伏电站规模从兆瓦级向吉瓦级迈进，传统的人工巡检模式正面临严峻挑战。一个 100MW 的电站拥有超过 15 万块组件，依靠人工手持红外热像仪巡检不仅效率极低（每人每天仅能巡检 1-2MW），且存在盲区高、危险系数大的弊端。为了解决“看不过来”的问题，无人机巡检技术（UAV Inspection）已成为现代电站的标配。然而，巡检只是发现问题的“视力”，如
从样本图像来看，数据集覆盖了多样化的海上目标场景：包含不同吨位的船舶、近岸的塔台设施、小型的帆板运动目标，且图像中存在自然的海面反光、云层遮挡与地形干扰，模拟了真实海事监测中的视觉条件。标注的 6 类目标涵盖了常规海上元素与异常运动目标，其中 “帆板” 等小型目标的标注，为模型学习小目标的视觉特征提供了准确的监督信息。该数据集覆盖了多样化的海上环境：包含不同时段的光照变化、海面波动干扰与岸线地形差
视觉-语言模型（VLM）作为多模态人工智能的核心技术，旨在弥合视觉信息与自然语言之间的语义鸿沟。其原理是通过联合训练，将图像特征与文本特征映射到同一向量空间，从而实现跨模态的理解与生成。这项技术的价值在于为机器提供了类似人类的、基于语义的环境感知与任务理解能力，是实现高级人机交互和自主决策的关键。在工程实践中，视觉-语言模型被广泛应用于机器人导航、智能问答和自动化巡检等场景。本文聚焦的FineCo
这篇论文提出了一种名为db-ECBS的多机器人运动规划方法，解决了现有方法在动力学限制和无人机气流交互方面的不足。该方法通过三个步骤实现：首先利用运动基元进行单机规划；然后采用ECBS框架解决机器人间的冲突（包括碰撞和气流干扰）；最后进行联合轨迹优化确保动力学可行性。实验表明，该方法在65个测试场景中表现稳定，尤其在密集无人机场景下，交互感知设计显著提高了安全性。真实机器人验证也证实了规划结果的可
基于YOLO系列工业视觉数据集｜智慧工地无人机巡检、厂区安全运维目标检测数据资源10306期
本文汇总了多个航拍无人机视角下的深度学习检测数据集及应用案例，涵盖火灾烟雾、钓鱼行为、河道漂浮物、应急救援、道路病害等多样化场景。提供的YOLOv8训练数据集包括：火灾烟雾检测、河流钓鱼人识别、矿场工程车分类（10类）、人员检测、小目标行人识别、垃圾检测、海面目标（人员船只）、道路交通车辆等。每个数据集都配有示例图片和详细技术博客链接，支持开发者快速构建无人机巡检系统。这些资源持续更新，为计算机视
无人机风电设备智能巡检 风机叶片缺陷目标检测数据集实战 | 表面腐蚀漏油识别 工业视觉质检 深度学习模型训练落地10337期
YOLOv8工业渗漏智能检测 室内外管道跑冒滴漏识别全流程实战 | 设备液体渗漏监测 安全生产视觉预警 深度学习模型训练部署G
在嵌入式系统与机器人领域，高性能SoC（系统级芯片）正成为实现复杂边缘AI应用的核心。其原理在于通过集成强大的CPU、GPU及专用NPU，构建异构计算架构，从而在功耗受限的移动平台上高效处理视觉、导航等计算密集型任务。这种技术价值在于为无人机、机器人等自主移动设备提供了实时感知与决策的“大脑”，极大地拓展了其在工业巡检、物流配送等场景的应用潜力。本文聚焦于如何利用RK3588 SoC的**6TOP
本文深入解析了KF、EKF、UKF、PF和ESKF五大滤波算法在无人机、扫地机器人等场景中的应用与选型策略。通过生活化类比和跨领域案例，详细对比了各算法的优缺点及适用场景，帮助开发者根据计算资源、非线性程度等需求选择最佳滤波方案，提升多传感器融合的精度与效率。
新泽西理工学院, 美国。
本文针对无人机安全通信场景中的轨迹与功率联合优化问题，提出了一种基于深度监督学习的求解框架。在该场景中，一架固定高度飞行的无人机需在给定起点和终点之间规划水平轨迹，并动态调整发射功率，以在满足最大速度约束的前提下最大化飞行全程的平均保密速率。由于该优化问题具有非凸、高维和约束耦合的特点，本文未直接求解，而是采用数据驱动的监督学习方法：通过利用贝塞尔曲线、正弦谐波扰动、窃听者避让、合法者吸引等规则生
无人机
——无人机
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
智能体开发者社区
HarmonyOS开发者社区
EazyDevelop社区
脑启社区
AI编程社区
