[论文解读] Visual Marker Search for Autonomous Drone Landing in Diverse Urban Environments

Jiaohong Yao, Linfeng Liang+4 more|arXiv (Cornell University)|Jan 16, 2026

UAV Applications and Optimization被引用 0

一句话总结

该论文在 AirSim 中构建一个基于仿真的评估套件，用于研究在多样化的城市场景下的自主视觉标记搜索与着陆，比较两种启发式搜索策略与一个学习驱动代理。

ABSTRACT

Marker-based landing is widely used in drone delivery and return-to-base systems for its simplicity and reliability. However, most approaches assume idealized landing site visibility and sensor performance, limiting robustness in complex urban settings. We present a simulation-based evaluation suite on the AirSim platform with systematically varied urban layouts, lighting, and weather to replicate realistic operational diversity. Using onboard camera sensors (RGB for marker detection and depth for obstacle avoidance), we benchmark two heuristic coverage patterns and a reinforcement learning-based agent, analyzing how exploration strategy and scene complexity affect success rate, path efficiency, and robustness. Results underscore the need to evaluate marker-based autonomous landing under diverse, sensor-relevant conditions to guide the development of reliable aerial navigation systems.

研究动机与目标

• 在 GPS 不可靠的城市环境中推动基于标记的稳健着陆。
• 创建反映城市变异性（布局、光照、天气）的多样化、可交互的仿真数据集。
• 在部分观测与传感器限制下，对自主标记搜索的导航策略进行基准评估。

提出的方法

• 使用 Unreal Engine 4 / AirSim 在三座城市地图上生成 966 个情节，光照与天气各异。
• 评估三种导航策略：Spiral（2D/3D）、Zigzag（2D/3D）与 E2E-RL（学习驱动）。
• 以机载 RGB 进行标记检测，深度用于避障，评估时使用一个预训练检测器。
• 利用成功率、导航误差、SPL、碰撞率与误检等指标对策略进行比较。
• E2E-RL 在代理环境中使用 PPO 与课程学习进行训练；在学习阶段检测器保持独立以避免偏差。

实验结果

研究问题

• RQ1 不同探索策略如何影响在多样化城市环境中的鲁棒性与搜索效率？
• RQ2 场景布局、光照与天气对标记检测与导航性能的影响如何？
• RQ3 在现实城市环境中，学习型代理在安全性和效率方面能否超越启发式搜索？
• RQ4 在 ModernCity、PostSoviet 与 UrbanDistrict 环境中，性能如何变化？

主要发现

• 启发式方法（Spiral、Zigzag）在某些地图上获得较高的 SR，但碰撞率较高。
• 3D 变体（Spiral-3D、Zigzag-3D）在整体上提高了 SR 并降低 NE，相比其 2D 版本。
• E2E-RL 显示出较低的碰撞率和更高的轨迹效率（更高的 SPL），但由于搜索不够全面，通常 SR 较低。
• 环境类型显著影响结果；UrbanDistrict 更偏好覆盖式方法，而 PostSoviet 表现受到垂直障碍的阻碍。
• 误检与导航误差与初始高度较高和能见度下降的某些场景相关。
• 在所有地图中没有单一方法占绝对优势；性能取决于场景几何、障碍密度与光照。