awesome-uav-autonomy

这是一个精心策划的资源列表，专注于无人机自主性领域，涵盖框架、算法、研究、模拟器、数据集、飞行控制器、机载软件、路径规划工具和自主堆栈。该合集收集并整理了多个与无人机自主性相关的数据集资源，包括感知、规划、SLAM、控制、群体智能和安全系统等方面的数据集，帮助研究人员和开发者快速找到所需的数据集。This is a curated resource list focused on the field of drone autonomy, encompassing frameworks, algorithms, research resources, simulators, datasets, flight controllers, onboard software, path planning tools, and autonomy stacks. This collection compiles and organizes numerous drone autonomy-related dataset resources, including datasets for perception, planning, SLAM, control, swarm intelligence, and security systems, to assist researchers and developers in quickly finding the required datasets.

原始信息汇总

Awesome UAV Autonomy 数据集详情概述

该项目是一个无人机自主系统（UAV Autonomy）精选资源列表，已被存档于Zenodo（DOI: 10.5281/zenodo.19682086），涵盖框架、算法、研究、仿真器、数据集、飞控、机载软件、路径规划及自主堆栈等内容。

主要分类与关键内容

1. 官方资源

• PX4 Autopilot：领先的开源无人机飞控堆栈
• ArduPilot：功能丰富的开源自动驾驶仪
• MAVLink Protocol：轻量级无人机通信协议
• ROS & ROS 2：机器人中间件，广泛应用于自主研究

2. 自主框架与堆栈

• PX4 + ROS 集成、ArduPilot 伴机电脑、AirSim 自主堆栈、Auterion Skynode 企业级平台、DroneCore SDK、OpenPilot 研究框架

3. 感知、建图与SLAM

• ORB-SLAM3：视觉/立体/惯性SLAM
• LIO-SAM：激光雷达-惯性里程计与建图
• RTAB-Map：实时视觉SLAM与建图
• OKVIS：基于关键帧的视觉-惯性里程计
• VINS-Mono / VINS-Fusion：鲁棒的无人机VIO方案

4. 路径规划与导航

• OMPL：开源运动规划库（含RRT*、RRT等采样规划器）
• PX4 任务规划工具、MAVROS 离板控制、MoveIt、TEB Local Planner（局部轨迹优化）

5. 控制系统

• PX4 控制架构、MPC for Drones（模型预测控制）、UAV PID调参工具、Crazyswarm（Crazyflie无人机控制框架）

6. 仿真与测试环境

• Gazebo、AirSim（逼真仿真器）、Ignition Gazebo、PX4 SITL、ArduPilot SITL、RotorS Simulator（ROS无人机仿真）、Flightmare（GPU加速物理与强化学习训练）

7. 通信、中间件与地面系统

• MAVSDK、MAVROS、QGroundControl（任务规划与遥测）、Mission Planner

8. 群体智能与多智能体系统

• Crazyswarm（多无人机研究平台）、SwarmLab、ROS Multi-UAV Systems、OpenSwarm、MARL框架

9. 安全、避障与冗余

• PX4 碰撞预防、ArduPilot 测距与避障API、VOXL Avoidance、ROS Costmap_2D、Safety Pilot / 故障安全模块

10. 数据集

• UZH FPV Dataset：高速无人机比赛数据集
• ETH Zurich MAV Datasets：广泛使用的自主基准测试集
• Microsoft AirSim Datasets：合成+真实飞行数据
• EuroC MAV Benchmark Suite：视觉-惯性基准测试套件

11. 学习资源

• 教程与指南：PX4、ArduPilot、ROS、AirSim 相关教程
• 课程：ETH Zürich（无人机控制与自主）、苏黎世大学（视觉导航）、MIT（无人机系统工程）
• 研究论文：涵盖无人机SLAM、MPC、视觉导航、群体协调、强化学习等方向

12. 相关精选列表

• Awesome UAV & Drone AI、Awesome Robotics、Awesome Computer Vision、Awesome Reinforcement Learning、Awesome Autonomous Systems

许可协议

该项目采用 CC BY-SA 4.0 许可证。

搜集汇总

数据集介绍

构建方式

该数据集以精心筛选与系统化整合为核心理念，从全球无人机自主性研究的前沿成果中，广泛收集并归类了涵盖感知、规划、SLAM、控制、集群智能及安全系统等多个关键领域的框架、算法、仿真环境、飞行控制器、机载软件及路径规划工具。构建过程严格遵循贡献指南，确保每项收录内容均经过格式校验与范畴对齐，从而形成一份高质量、高相关性的资源索引。最终，该集合通过Zenodo进行存档，并赋予可引用的DOI，以促进学术界的规范引用与持续更新。

特点

该数据集最显著的特点在于其全面性与模块化组织。它并非简单的链接罗列，而是将无人机自主性生态拆解为十余个逻辑清晰的子模块，如自主堆栈、感知与SLAM、路径规划、控制系统、仿真测试、通信中间件、集群智能及安全避障等。每个子模块均收录了业界公认的成熟方案与前沿研究，如ORB-SLAM3、LIO-SAM、Crazyswarm等，同时附有官方文档或代码仓库链接，便于研究者快速定位并深入理解。这种结构不仅降低了入门门槛，也为跨领域对比与集成提供了便捷的导航。

使用方法

研究者可直接通过GitHub页面浏览或克隆该仓库，利用其目录结构按需检索相关资源。例如，从事感知研究的用户可进入'Perception, Mapping & SLAM'板块，获取ORB-SLAM3或LIO-SAM的代码与文档；而关注集群控制的学者则可深入'Swarm Intelligence & Multi-Agent Systems'部分。此外，数据集提供了丰富的学习资源，包括PX4与ArduPilot的教程、ETH Zurich等顶尖机构的课程链接以及相关研究论文的指引。用户还可通过MAVSDK或MAVROS等中间件，将这些资源与实际无人机平台集成，实现从理论到实践的闭环验证。

背景与挑战

背景概述

无人机自主飞行技术作为现代机器人学与人工智能交叉领域的前沿方向，近年来取得了长足进步。awesome-uav-autonomy项目由Brandon Himpfen于2025年创建，并于同年通过Zenodo归档，旨在系统梳理涵盖感知、规划、SLAM、控制、群体智能及安全系统等核心模块的开源资源。该项目整合了PX4、ArduPilot等主流飞控平台，以及ORB-SLAM3、LIO-SAM等先进算法，为研究者提供了从仿真环境（如AirSim、Gazebo）到实际部署的完整技术栈。作为领域内重要的知识聚合平台，该项目有效降低了入门门槛，促进了学术界与工业界的协作，其引用的ETH Zurich、UZH等顶级机构数据集已成为评估自主飞行性能的基准。

当前挑战

当前无人机自主飞行面临多重挑战：首先，复杂动态环境下的鲁棒感知与实时SLAM仍受限于传感器噪声、光照变化及高速运动带来的数据模糊；其次，路径规划与避障算法在非结构化场景中难以兼顾计算效率与安全性，尤其是群体协同场景下的冲突消解机制尚不成熟；再者，仿真环境与真实物理世界间的迁移鸿沟（Sim-to-Real Gap）导致算法泛化能力不足。构建过程中，资源整合面临技术栈碎片化问题，不同框架（如ROS 2与MAVLink）的接口兼容性需持续维护，且高质量标注数据集（如高速FPV场景）的采集成本高昂，限制了深度学习方法的训练效果。

常用场景

经典使用场景

在无人机自主导航的学术探索中，awesome-uav-autonomy数据集为研究者提供了一站式资源索引，涵盖感知、规划、控制与群体智能等核心模块。其经典使用场景包括基于视觉惯性里程计（VIO）的SLAM系统开发，如ORB-SLAM3与VINS-Mono的集成验证，以及利用Gazebo或AirSim模拟器进行路径规划算法（如RRT*）的仿真测试。通过整合PX4与ROS的通信框架，该数据集支持从单机自主飞行到多机协同任务的完整实验链路，成为无人机自主性研究的基础工具。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于ETH Zurich MAV数据集的视觉惯性SLAM精度评估，以及UZH FPV数据集驱动的无人机竞速控制策略优化。在群体智能方向，OpenSwarm项目与MADDPG多智能体强化学习框架的结合，推动了分布式编队与冲突消解算法的发展。此外，Flightmare模拟器的GPU加速物理引擎，被用于大规模强化学习训练，催生了如RotorS与Crazyswarm等工具链的改进版本，进一步拓展了无人机在复杂动态环境中的自主能力边界。

数据集最近研究

最新研究方向

随着无人机自主飞行技术的飞速演进，该领域正从单一任务执行向多模态感知、智能决策与群体协同的深度融合方向迈进。基于awesome-uav-autonomy数据集所汇聚的框架与工具，当前研究热点聚焦于视觉惯性SLAM与激光雷达融合的鲁棒状态估计，以及面向复杂动态环境的实时路径规划与避障算法。同时，受开源飞行控制器（如PX4、ArduPilot）与仿真平台（如AirSim、Flightmare）的推动，强化学习在无人机自主控制中的应用成为前沿焦点，尤其在高速飞行与极端条件下的策略优化。此外，多智能体系统与群体智能（如Crazyswarm）的研究日益活跃，旨在通过分布式协作实现大规模无人机编队的自主协调与任务分配。这些方向不仅回应了城市空中交通、灾害监测与精准农业等现实场景的迫切需求，也推动了自主系统安全性与可靠性的标准化进程，为下一代无人机生态奠定了理论与实践基础。