无人机

电力程序小学童

基于密集型复杂城市场景下求解无人机三维路径规划的Q-learning算法研究（matlab）目录一主要内容二研究背景与意义三相关理论基础四运行结果五下载链接随着无人机在城市物流配送、航拍测绘等领域应用拓展，密集型复杂城市场景下的三维路径规划愈发关键。该场景障碍物密集、三维空间约束复杂且实时性要求高，传统算法难以满足需求。Q-learning算法作为强化学习方法，无需环境模型、可试错学习，适用于此类场景。本文深入研究基于Q-learning的无人机三维路径规划，合理定义状态空间、动作空间与奖励函数，让无人机自主学习最优路径。实验表明，算法能有效避障，规划出较优飞行路径，具备高成功率与适应

无人机桨叶转速技术要点与突破桨叶转速（通常以RPM - Revolutions Per Minute衡量）不是孤立设定的，它是整个飞控系统输出的最终执行结果。其核心要点可以归纳为以下几个方面：

无人机云台电压类型及测量方法5V DC (直流电)：这是最最常见的电压，尤其是在消费级无人机（如大疆的Mavic系列、Mini系列、Air系列）和许多中小型无人机上。

IROS 2025 多智能体深度强化学习算法实现Crazyflie无人机在复杂环境中协同追逐国防科技大学智能科学学院周晗老师团队在国际机器人顶会IROS 2025上发表题为”Emergent Cooperative Strategies for Pursuit-Evasion in Cluttered Environments: A Knowledge-Enhanced Multi-Agent Deep Reinforcement Learning Approach” 的论文。该论文提出了一种面向复杂环境多智能体追逃的知识增强深度强化学习方法，并通过大量数值仿真和真实实验验证了本文方法的效率和优

Coovally AI模型快速验证

基于YOLO集成模型的无人机多光谱风电部件缺陷检测【导读】本研究提出了一种基于YOLO集成模型与多光谱图像融合的无人机检测方法，通过融合可见光与热红外数据并结合通用YOLOv8模型与专用热成像模型，显著提升了风电部件缺陷的识别精度。

云望无线图传模块

12公里无人机图传模组：从模糊到超高清的飞跃，抗干扰能力全面升级在无人机行业飞速发展的今天，高清图像传输已成为衡量无人机性能的重要标志之一。过去，无人机在长距离飞行时常常面临信号衰减、图像模糊，甚至数据丢失的问题，影响了用户的体验与应用效果。为了打破这一瓶颈，业内专家不断研发更先进的图传技术，近期深圳云望物联推出的12公里无人机图传模组，正是行业中的一大革新。

无人机电压模块技术剖析无人机电压模块的核心任务是对动力电源（通常是锂电池）进行转换、调节和分配，为飞控、图传、摄像头、舵机等各个子系统提供稳定可靠的电能。其运行方式可以概括为：

MissionPlanner架构梳理之（十）-参数编辑器参数编辑器是 Mission Planner 的核心组件，允许用户查看、编辑和管理已连接 ArduPilot 飞行器的配置参数。它提供了一个全面的界面，用于与数百个控制飞行器行为的可配置参数进行交互，涵盖从飞行特性到硬件配置等各个方面。本页介绍了参数编辑器的功能、用户界面和实现方式。

数学建模小secret

2025 数学建模高教社杯国赛（A题）| 无人机干扰弹 | 建模秘籍&文章代码思路大全铛铛！小秘籍来咯铛铛！小秘籍来咯！小秘籍团队独辟蹊径，构建了这一题的详细解答哦！为大家量身打造创新解决方案。小秘籍团队，始终引领着建模问题求解的风潮。抓紧小秘籍，我们出发吧~！完整版的答案请看文末领取！

无人机信号防干扰技术难点分析防干扰技术的本质是一场在频谱、空间、时间、功率四个维度上的“攻防战”。防御方（无人机）需要在这四个维度上尽可能地保持与控制站/导航系统之间链路的畅通。

无人机 GNSS 天线详细讲解：定位的 “感知神经”在无人机系统中，GNSS（全球导航卫星系统）天线是实现精准定位、导航与姿态辅助的核心组件，其性能直接决定了无人机的飞行稳定性、作业精度（如测绘、植保、巡检）与飞行安全。本文将从核心概念、工作原理、关键参数、分类选型及应用注意事项等维度，全面解析无人机 GNSS 天线。

技术解析：Breeze 80A-M FOC 无人机电调的性能优势与保护机制FOC（Field-Oriented Control，磁场定向控制）是电机控制领域的核心技术，通过精准控制电机定子电流的幅值与相位，实现对电机磁场的定向调节。其核心优势在于提升能量转换效率、降低运行噪声、优化油门线性度，同时增强电机响应速度与控制精度，是高性能无人机电调的关键技术支撑。

Griffin|增强现实数据集|无人机数据集数据来源：huggingface 百度网盘Griffin数据集的构建采用了模块化架构，结合了CARLA和AirSim平台，通过模拟真实世界中的无人驾驶环境和无人机动态，收集了超过30,000帧图像数据，覆盖了多种无人机飞行高度、天气条件和物体遮挡情况。数据采集框架包括一个基于Unreal Engine 4的服务器和一个Python客户端，其中Python客户端包含了四个专门的管理器，分别负责车辆规划控制、无人机轨迹生成、环境配置和传感器数据管理。数据预处理阶段，对多源数据进行时空对齐，并利用CARLA的实

【UAV】基于PX4+Ubuntu24.04.3的无人机制作的开发环境搭建PX4 是一款由瑞士苏黎世联邦理工学院（ETH）计算机视觉与几何实验室的 PIXHAWK 项目演变而来的开源自动驾驶仪飞行栈。以下是关于它的详细简介：

无线图像传输研究探索

无定位更安全：5G 高清视频终端的保密场景适配之道在涉密会议监控、科研场所巡检、敏感区域执法等场景中，设备的 “定位功能” 往往从 “便利工具” 变为 “泄密隐患”—— 位置信息的传输与关联，可能导致涉密区域坐标暴露、部署路线泄露。而 5G 高清视频终端（WB7000-DB）凭借 “无定位模块设计 + 多维加密技术”，既保留了高清实时传输的核心能力，又从源头切断位置泄密风险，构建起更契合保密需求的防护体系，成为敏感场景的优选装备。

基于Matlab狭窄空间环境中多无人机自重构V字队形方法研究在多无人机系统的协同控制中，编队飞行能够显著提升任务执行的效率与鲁棒性。其中，V 字形编队因其空气动力学优势和通信结构的简洁性，在编队研究中具有代表性。然而，面对动态环境和障碍物约束，如何实现可重构的 V 字形编队仍是一个具有挑战性的问题。本文提出了一种基于局部行为规则与全局目标引导的可重构 V 字形编队控制方法。该方法首先建立了包含起点、终点与障碍物的仿真场景，并利用层级化的行为设计实现无人机在保持相对间距的同时，能够绕避障碍并重新形成稳定的 V 字形结构。为了评估编队的一致性和稳定性，本文引入了熵度量

MissionPlanner架构梳理之（八）- MAVLink 命令本文档介绍了 Mission Planner 中的 MAVLink 命令系统，包括如何构建、处理命令以及如何使用命令进行车辆控制和任务规划。

Coovally AI模型快速验证

3D目标跟踪重磅突破！TrackAny3D实现「类别无关」统一建模，多项SOTA达成！【导读】3D点云目标跟踪是自动驾驶、机器人等领域的关键任务，但不同类别物体的几何差异让模型难以“一招通吃”。本文介绍的 TrackAny3D，首次提出将大规模预训练3D模型迁移到点云单目标跟踪任务，实现了类别无关、统一建模，并在多个数据集上取得SOTA成绩。>>更多资讯可加入CV技术群获取了解哦

光伏项目无人机踏勘--如何使用无人机自动航线规划APP手机号免费注册iSolarBP，一起来学习吧，注册获取无人机航线规划APPhttps://isolar-bp.sungrowplant.com/isolarbp#/login?qrcodeId=1952928161454551042https://isolar-bp.sungrowplant.com/isolarbp#/login?qrcodeId=1952928161454551042 登录--下载航线规划APP

Coovally AI模型快速验证

无人机小目标检测新SOTA：MASF-YOLO重磅开源，多模块协同助力精度飞跃【导读】这篇论文针对的是无人机航拍图像中的小目标检测这一极具挑战性的任务。无人机视角下的目标通常像素占比极小、尺度多变且背景复杂，导致主流检测模型性能显著下降。为此，作者在YOLOv11的基础上，提出了一种名为MASF-YOLO的创新网络结构，在精度和效率之间取得了卓越的平衡。