ssswww56
【无人机三维路径规划】基于基于NSGAII实现考虑汽车风险、撞击面积、大气密度的复杂楼市内无人机三维路径规划研究（Matlab代码实现）
本研究针对城市高密度建筑群、商业区多层停车场等复杂楼市环境，提出一种基于非支配排序遗传算法（NSGA-II）的无人机三维路径规划方法。该方法综合考虑汽车动态风险、撞击面积、大气密度变化等约束条件，通过多目标优化平衡安全性、经济性与稳定性。实验表明，该算法在复杂场景下可生成帕累托最优解集，路径规划成功率提升32.7%，能耗降低19.4%，满足实际工程需求。城市楼市环境具有建筑密集（楼间距5-20m）、动态干扰多（车流量10-15辆/分钟）、大气参数非均匀（地面至100m高度大气密度差9.2%）等特性，传统单目
Matlab机器学习之心
基于龙卷风优化算法（TOC) 的多个无人机协同路径规划（可以自定义无人机数量及起始点）附Matlab代码
随着无人机技术在应急救援、农林植保、城市安防、物流配送等领域的广泛应用，单一无人机作业已难以满足复杂任务的效率与覆盖需求，多无人机协同作业成为主流发展趋势。多无人机协同路径规划的核心目标，是在满足飞行约束（避障、机间无碰撞、续航等）的前提下，为每架无人机规划最优路径，实现任务效率最大化。传统路径规划算法（如A*、Dijkstra、PSO、GA等）在多无人机协同场景中存在明显局限：梯度依赖型算法难以应对非线性复杂环境，元启发式算法易陷入早熟收敛，且多数算法难以灵活适配自定义无人机数量、起始点的动态需求。
星云_byto
精读双模态目标检测论文系列九｜IM-CMDet 小目标精度暴涨 4.7%！模态内增强 + 跨模态对齐，无人机航拍全场景通杀！
本文摘要：无人机RGB-IR双模态小目标检测方法IM-CMDet（TGRS2025）创新性解决两大行业痛点：特征淹没与模态错位。该方法包含三大核心模块：DSJE模块通过高频细节与语义联合增强保留小目标特征；DFWG模块采用差分融合权重生成机制抑制背景噪声；FRN网络基于红外引导实现跨模态特征重建。在RGBTDronePerson等三大无人机数据集上全面超越SOTA，小目标检测精度提升1.41-4.7%，推理速度达19.2FPS。方法提供完整开源代码，支持YOLO即插即用，适用于无人机航拍、搜救安防等场景，为
荧光Matlab
【无人机】基于遗传算法混合粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较]（Matlab代码实现）
总结GA更适合静态环境下的全局路径探索，PSO在动态环境中表现更优，而混合算法通过优势互补，在复杂任务中综合性能最佳。混合算法的核心挑战在于平衡计算效率与优化精度，需根据任务需求选择分层、嵌入式或并行策略。未来方向多算法融合：结合蚁群算法、深度学习等进一步提升适应性。硬件加速：利用FPGA或GPU实现混合算法的并行计算。动态参数调整：设计自适应惯性权重和变异概率。通过上述分析可见，混合遗传-粒子群算法在无人机路径规划中展现出更强的鲁棒性和适应性，为复杂环境下的任务执行提供了新的解决方案。📚。
作者推荐
