Unmanned Vehicles Technology and Embodied Intelligence Systems for Intelligent Transportation
面向智能交通的无人驾驶载具技术与具身智能系统
当前，面向智能交通的新型无人驾驶载具技术和具体智能系统正处于变革时期。在可预见的不久的将来，以无人车 (Unmanned Ground Vehicle, UGV) 和无人机 (Unmanned Aerial Vehicle, UAV) 为代表的无人系统将构建新的地面和空中运输、物流和作业系统，在工农业各个领域具有巨大的应用潜力。无人驾驶系统 (开放道路和封闭场景) 和智能农机装备是智能交通的代表性应用。“可交互”感知、“会学习”决策、“自成长”控制是具身智能的三个重要特征。相应地，多传感器 (激光雷达、毫米波雷达、光学传感器) 和多源信息融合技术、SLAM技术、仿生视觉技术应用于感知阶段。类脑智能和端到端深度学习神经网络应用于认知和决策阶段。控制阶段采用自抗扰控制、一体化控制、仿生编队控制和有人/无人混合协同控制技术。
本专题由MDPI开放获取期刊 Aerospace、Applied Sciences、Drones、Electronics、Eng、Remote Sensing、Sensors 联合推出。诚邀各位专家学者投稿，共同为推动该领域的发展贡献智慧与力量。
# 专题关键词 #
无人驾驶载具；无人系统；具身智能；农业和工业应用；智能交通；自动驾驶
了解更多信息：www.mdpi.com/topics/U3U1Z7Z2P6
学术编辑团队
该专题现有三位学术编辑，他们分别来自中国农业大学、加拿大韦仕敦大学和澳大利亚科廷大学。
陈建 教授
中国农业大学
研究领域：无人系统的仿生感知与具身智能控制
夏敏 副教授
加拿大韦仕敦大学
研究领域：工业系统的智能感知、监控和优化
谢辉 博士
澳大利亚科廷大学
研究领域：自主系统的智能感知和智能控制
专题文章精选
文章1
An Independent UAV-Based Mobile Base Station
一个独立的基于无人机的移动基站
Sung-Chan Choi and Sung-Yeon Kim
https://doi.org/10.3390/s25051349
在诸如地震、海啸和野火等灾害场景中，通信基础设施往往会遭受严重破坏。为快速恢复受损通信系统，本研究提出一种搭载公共安全LTE (PS-LTE) 技术的无人机移动基站，以提供独立通信能力。该系统集成PS-LTE功能、关键任务一键通、基于邻近度的服务以及独立运行的E-UTRAN (演进型通用陆地无线接入网络)，确保应急服务的可靠安全通信。通过仿真实验获取移动基站的无线覆盖范围，基于该覆盖范围确定适合开展户外实验的终端设备部署位置。将所开发的移动基站原型机在户外环境进行测试，实验结果表明其可提供充足的数据传输速率，使独立移动基站具备在受灾区域重建通信基础设施的能力。该原型机与实验结果为构建敏捷高效的应急通信解决方案迈出重要一步。
文章2
Learning Autonomous Navigation in Unmapped and Unknown Environments
在未映射和未知环境中学习自主导航
Naifeng He et al.
https://doi.org/10.3390/s24185925
自主决策是智能移动机器人的一个显著特征，也是自主导航的关键要素。目前面临的挑战在于，要让移动机器人仅依靠低精度传感器，就能在无地图或地图精度较低的环境中完成自主导航任务。为了解决这一问题，本研究提出了一种创新的自主导航算法——PEEMEF-DARC。该算法由三个部分组成：受限评委下双执行者 (DARC)、基于优先级的优质经验数据收集机制以及多源经验融合策略机制。该算法能够在无地图、未知的环境中执行自主导航任务，无需依赖地图或先验知识。这种算法使得机器人在无地图和未知环境中实现自主导航成为可能，无需借助地图或先验知识。这一改进算法增强了智能体的探索能力，并利用正则化来减轻对状态-动作值的过高估计。此外，基于优先级的优质经验数据收集模块和多源经验融合策略模块显著缩短了训练时间。实验结果表明，本研究提出的方法在无地图和未知环境的导航中表现出色，能够在不依赖地图或精确定位的情况下实现有效的导航。
文章3
Parking Trajectory Planning for Autonomous Vehicles Under Narrow Terminal Constraints
狭窄终端约束下自动驾驶泊车轨迹规划
Yongxing Cao et al.
https://doi.org/10.3390/electronics13245041
在狭窄空间内进行轨迹规划，由于需要兼顾运动学约束与避障约束，往往面临复杂的机动挑战。当障碍物在目标状态附近密集分布时，轨迹规划中可行状态与目标状态之间的连通性受限，进一步降低了规划效率与成功率。为应对此类问题，本文提出了一种新颖的两阶段运动模式树 (Dual-Stage Motion Pattern Tree, DS-MPT) 算法。该方法将轨迹生成过程划分为两个阶段：汇入阶段与姿态调整阶段，并在每一阶段中引入特定的启发式信息以指导轨迹树的构建。实验结果表明，所提出的方法在多种平行泊车场景中展现出高度的鲁棒性与计算效率。此外，本文还提出了一种基于改进通行走廊生成策略的轨迹优化方法，与现有方法相比，改进的通行走廊生成策略减少计算时间约54%至84%。仿真实验结果验证了本文提出的轨迹规划方法在稳定性与成功率方面的优势。
文章4
UAV Localization in Urban Area Mobility Environment Based on Monocular VSLAM with Deep Learning
基于单目VSLAM和深度学习的城市机动环境下无人机定位
Mutagisha Norbelt et al.
https://doi.org/10.3390/drones9030171
无人驾驶飞行器 (UAV) 在不同的应用中发挥着重要作用，包括监视、测绘和救灾，特别是在城市环境中。本文提出了一种基于单目ORB-SLAM3光流与YOLOv5集成的无人机室外定位综合框架。提出的系统解决了在动态户外环境中传统GPS方法可能会动摇的精确定位挑战。通过利用ORB-SLAM3的能力，无人机可以有效地绘制其环境地图，同时使用单个摄像机的视觉信息跟踪其位置。光流技术的集成允许在连续帧之间进行准确的运动估计，这对于在环境动态变化中保持准确定位至关重要。YOLOv5是一种用于实时目标检测的高效模型，使系统能够识别和分类无人机视场内的动态目标。这种使用光流和深度学习的双重方法通过过滤掉可能导致映射错误的动态特征来增强定位过程的鲁棒性。实验结果表明，与传统方法相比，单目ORB-SLAM3、光流和YOLOv5相结合可以显著提高定位精度，减小轨迹误差。在绝对轨迹误差和平均跟踪时间方面，该方法优于ORB-SLAM3和DynaSLAM。对于动态情况下的实时SLAM应用程序，该技术特别适合，因为它具有实现更低延迟和更高精度的潜力。除了提高整体效率外，这些改进还保证了在各种场景下更可靠的性能。该框架有效地区分了静态和动态元素，允许更可靠的地图构建和导航。结果表明，本文提出的方法 (U-SLAM) 在APE和S000下的RPE分别降低了43.47%和26.47%，并且对于具有运动物体和图像内部运动较多的序列，其精度更高。
文章5
A Low-Latency Dynamic Object Detection Algorithm Fusing Depth and Events
一种融合深度与事件的低延迟动态目标检测算法
Duowen Chen, Liqi Zhou and Chi Guo
https://doi.org/10.3390/drones9030211
现有基于RGB图像的目标检测方法在静态或准静态环境下虽能保持较高的检测精度，但在面对高速运动的物体时，因运动模糊效应导致的图像退化会使检测性能显著下降。此外，当前基于深度学习的最优检测模型以RGB图像为输入，需要在高性能显卡上进行训练和推理，然而这些显卡不仅体积大、功耗高，还难以部署在紧凑的机器人平台上。幸运的是，受生物视觉系统启发所诞生的事件相机，为上述困境提供了颇具前景的解决方案。事件相机具备低延迟、微运动模糊以及无冗余输出等特性，使其特别适合动态障碍物检测。基于这些优势，本文提出了一种融合事件与深度信息的新颖动态目标检测方法。首先，作者设计了一个自适应时间采样窗口，根据视野内物体的存在情况选择性的收集事件与补充信息。随后对事件流实施翘曲变化来实现自运动补偿，即滤去由自运动所产生的事件，而保留由运动物体所产生的事件。在经过一系列预处理步骤后，将补偿后的事件流转换为事件队列的表征形式并进行去噪处理。最终，经过图像矩分析在事件队列帧上实现动态物体检测。实验结果表明，与当下最先进的方法相比，所提出的方法使检测速度提高了约20%，检测精度提升了约5%。为验证实际应用价值，作者构建了一个完整的避障系统，将检测器与一个简单的规划模块进行集成并成功部署在一个自主设计的四旋翼飞行平台上。室外测试证实，该系统能可靠规避以约8 m/s速度接近的障碍物，从而验证了其实际部署的潜力。
MDPI Topics
One Theme, Multiple Choices
MDPI专题 (MDPI Topics) 以多学科研究为背景，联合两个或多个MDPI相关期刊，为来自不同学科领域的学者创造一个探索、交流、碰撞最新成果的平台。每个专题都由相关学科的优秀学者作为专家团队联合管理和策划，同时还享受便捷高效的MDPI出版服务支持。作者可以向任一参与某专题的MDPI期刊投稿，最终发表的文章都将在该专题主页上集合展示。
了解更多MDPI专题信息，欢迎访问：https://www.mdpi.com/topics
转载本文请联系原作者获取授权，同时请注明本文来自MDPI开放科学科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3516770-1508000.html?mobile=1
收藏
