正射影像案例数据，包括正射图片、POS数据等

【路径规划】考虑分配次序的多无人机协同目标分配建模与遗传算法求解

为了解决悬挂负载空中机器人飞行时产生的负载摆动和残余振荡问题，本文采用滑模变结构方法设计了高度控制器和抗摆控制器。首先建立悬挂负载空中机器人的动力学模型，基于此设计出一阶滑模的高度控制器和二阶滑模的抗摆控制器，并且提出了一种改进型的边界层厚度可变的边界层法来降低抖震现象。最后使用MATLAB和Adams联合仿真，验证控制器的有效性。结果表明，设计出的控制器具有良好的抗摆效果，满足系统要求。

针对双目视觉深度估计成本高、体积大以及监督学习需要大量深度图进行训练的问题,为实现无人机在飞行过程中的场景理解,提出一种面向无人机自主飞行的无监督单目深度估计模型。首先,为减小不同尺寸目标对深度估计的影响,将输入的图像进行金字塔化处理;其次,针对图像重构设计一种基于ResNet-50进行特征提取的自编码神经网络,该网络基于输入的左视图或右视图以及生成对应的金字塔视差图,采用双线性插值的方法重构出与其对应的金字塔右视图或左视图;最后为提高深度估计的精度,将结构相似性引入到图像重构损失、视差图一致性损失中,并且联合视差图平滑性损失、图像重构损失、视差图一致性损失作为训练的总损失。实验结果表明,经过在KITTI数据集上的训练,该模型在KITTI和Make3D数据集上相比其他单目深度估计方法具有更高的准确性和实时性,基本满足无人机自主飞行对深度估计准确性和实时性的要求。

1、Darknet版YOLOv4无人机检测，drone检测，训练结果文件，包含drone.data , drone.names, yolov4-drone.cfg， yolov4-drone_best.weights权重文件，并包含训练loss曲线和map曲线图，在一万多张场景丰富、多尺度无人机数据集上训练得到的结果， 可以检测远、近、大、中、小各种无人机目标 2、包含YOLOv4和YOLOv4_tiny两种训练好的模型 3、目标类别名： drone

卷积神经网络；分类识别；数据增强与预处理；实时检测；

无人驾驶车辆模型预测控制第2版书籍的代码 ，有些章节未验证

使用强化学习和深度强化学习算法来优化基于无人机的蜂窝网络以获得更高的吞吐量

算法求解UGV和无人机路由三层优化问题

设计了一套基于嵌入式系统PC/104和ARM微处理器的无人帆船控制系统，该系统可实时采集无人帆船运动控制所需多路传感器信号，经处理后生成运动控制序列指令，由ARM产生PWM信号或者高低电平信号，驱动执行器动作，完成无人帆船运动的精确控制。采用PC/104作为中央处理器，可有效节省布置空间，保证较高的可靠性和实时性，优于当前普遍使用的无人帆船控制系统。采用5 GHz无线路由器构建局域网，覆盖范围广，信道纯净，干扰较少。结果表明，该控制系统能够达到良好的运动控制效果。且该套系统具备高度可移植性和扩展性，可作为无人帆船控制实验平台的参考，也可实用化为海上超长航程复合任务平台。