非中國團隊八月的民用研究收錄三篇，共同點是把無人機當成感測與協同平台，處理的都是災害或環境監測這類公共任務。英國團隊做野火滅火的去中心化多智能體強化學習，把風場效應與通訊頻寬限制一起放進模擬環境，每架無人機各自持有 replay buffer 獨立學習，再以選擇性經驗分享只交換高價值樣本。結果顯示完全不分享經驗時學習訊號過於稀疏、協同表現退化，少量高價值經驗即可補足，作者把通訊頻寬、環境隨機性與協同表現三者的牽制關係列為核心取捨。西班牙加地斯大學與 CSIC 等單位的 Mar_Spectra 是自製輕量酬載，把 Ocean Optics 微型光譜儀、Raspberry Pi、GPS 與 RGB 相機整合上機，從水面上方量測防曬乳紫外線濾劑污染，以 300 到 380 奈米波段反射率濃縮成單一指標 iS，與濾劑總濃度的線性關係達 R² = 0.964，野外海況下仍給出可重現的量測，作者定位為熱點篩查原型而非定量工具。阿聯 Ajman 大學與 Heriot-Watt 杜拜分校則把費洛蒙式協調與多智能體強化學習接在一起，讓搜救無人機從局部費洛蒙估出梯度方向，覆蓋率 98.9%、受困者偵測率 93.3%，明顯高於純強化學習基線的 81.8% 與 71.7%，完全斷訊情境下效能仍維持穩健。
中國八月收錄三篇，三篇都有明確的落地端指向，方法上也都停在工程改良而非大模型路線。西北工業大學與北京航空航天大學處理定翼機在森林火場的三維航路規劃，用細胞自動機模擬火勢擴散、高斯煙羽模型估算煙霧濃度，再以階層式近端策略優化分成含 LSTM 的子目標層與預訓練飛控層，100 次獨立模擬全數成功，線上決策時間平均 1.290 毫秒，代價是保守迴避行為拉長航路。中國民航大學團隊做的是都市自主降落的感知評比，把 UAVid、UDD6、VDD 三個資料集重新標註成候選降落區、結構障礙物、關鍵危害三類，建成 Landing3，再外掛事後共形預測把 softmax 輸出轉成逐像素預測集合，只從單一類別的預測集合萃取候選降落區。結論是 SCTNet 吞吐量較高，PIDNet 經共形預測過濾後安全區召回率與 safe IoU 較高，光看分割準確度不足以判斷哪個模型比較安全。南京航空航天大學導航研究中心的 HSF-Net 改造 YOLOv11s 做航拍微小目標偵測，VisDrone 上 mAP50 達 46.4%、mAP50-95 達 28.5%，參數量從 940 萬降到 360 萬，但新增的高解析度 P2 分支把計算量推到 39.5 GFLOPs。
台灣基線八篇，其中一篇落在本期窗內：長榮大學的分散式反無人機預警，讓聲學與視覺邊緣節點交換資訊濾波器參數而非原始觀測，以多目標資訊共識做分散式融合，準確度與集中式相差 5% 以內、頻寬最多降約 97%，後段再接模糊貝氏威脅評估層，並測試封包遺失與節點斷線下的表現。其餘七篇為近年基線、非本月產出，集中在固定翼無人機 GNSS 失效下的深度學習導航與降落（成功大學、海洋大學）、編隊飛行避障、茶樹生理參數的農業遙測（中興大學），以及視覺語言模型直接控制無人機的 See Point Fly（陽明交大、台大）。路線偏應用與感測整合，蜂群協同與大規模模擬平台著墨少。
本期民用七篇，非中國三篇、中國三篇、台灣一篇，樣本小到不足以談趨勢強弱，但方法選擇的分野與七月相比出現變化。七月中國四篇全走學習式路線、其中兩篇押在視覺語言大模型上，八月三篇全部回到工程改良：階層式強化學習、共形預測外掛、偵測器結構重設計，沒有一篇動用大模型。非中國側三篇則有兩篇處理協同機制，英國做通訊受限下的經驗分享、阿聯做斷訊條件下的費洛蒙梯度協調，兩篇都把通訊資源當成第一級限制條件來設計，這是七月非中國側沒有出現的主題。台灣本期少見地有一篇落在窗內，長榮大學的分散式預警走的也是壓低傳輸量這條線，三方在這個月剛好撞在同一個限制上。另一條共同線索是不確定性與可靠度：中國民航大學用共形預測把不可靠像素排除在降落候選區外，英國團隊把通訊頻寬與環境隨機性的牽制關係寫成明確取捨，兩者都在處理系統該怎麼知道自己在哪裡會失敗。七篇裡有五篇是純模擬，實機或外場驗證只有西班牙的光譜酬載與台灣的分散式預警兩篇。
| 主題 | 非中國 | 中國 |
|---|---|---|
| 災害場景的自主任務 | 英國團隊做去中心化多智能體強化學習滅火，把風場與通訊頻寬限制放進模擬，用選擇性經驗分享緩解稀疏學習，全篇為模擬，未含實機。 | 西北工大與北航為定翼機規劃森林火場三維航路，火勢用細胞自動機、煙霧用高斯煙羽建模，H-PPO 分兩層決策，100 次模擬全數成功、線上決策 1.290 毫秒。 |
| 感知的可靠度處理 | 阿聯團隊靠四層虛擬費洛蒙當共享環境記憶，從局部資訊估出梯度方向，完全斷訊時仍維持覆蓋率與偵測率。 | 中國民航大學外掛事後共形預測，把逐像素預測集合限縮為單一類別才納入降落候選區，指出吞吐量贏的模型不見得安全性也贏。 |
| 感測與偵測的路線 | 西班牙 Mar_Spectra 走經驗式光譜指標加現地校正，用 300 到 380 奈米反射率推得 iS 指標，R² = 0.964，並在真實海況完成野外驗證。 | 南京航空航天大學 HSF-Net 走網路結構改良，邊緣強化與稀疏感知融合加上偵測頭重構，參數降到 360 萬同時 mAP50 提升 7.1 個百分點。 |
| 日期 | 國別 | 論文 | 來源 | |
|---|---|---|---|---|
| 2026-08-03 | 中國中國（西北工業大學、北京航空航天大學） | Route Planning for Fixed-Wing Unmanned Aerial Vehicles in Complex Forest Terrain Under Dynamic Fire and Smoke Threats H-PPO 分層規劃定翼機森林火場三維航路，納入時變火線與煙羽威脅，100 次模擬全數成功、線上決策 1.290 毫秒。 | Drones (MDPI) | 連結 |
| 2026-08-10 | 中國中國（中國民航大學，天津市城市空中交通系統技術與裝備重點實驗室） | Uncertainty-Aware Vision-Based Landing-Site Perception for Autonomous UAV Landing in Urban Environments 重標註三個空拍資料集為 Landing3，外掛共形預測濾除不確定像素，顯示吞吐量較高的模型安全區召回率不一定較高。 | Drones | 連結 |
| 2024-05-15 · 近年基線 | 台灣 | Development of an Uneven Terrain Decision-Aid Landing System for Fixed-Wing Aircraft Based on Computer Vision 電腦視覺輔助固定翼機在不平坦地形的降落決策系統。 | Electronics (MDPI) | 連結 |
| 2025-03-21 · 近年基線 | 台灣 | Estimating Tea Plant Physiological Parameters Using Unmanned Aerial Vehicle Imagery and Machine Learning Algorithms 無人機影像加機器學習估測茶樹生理參數。 | Sensors (MDPI) | 連結 |
| 2025-04-10 · 近年基線 | 台灣 | Deep Learning-Based Navigation System for Automatic Landing Approach of Fixed-Wing UAVs in GNSS-Denied Environments 深度學習導航系統支援固定翼機在 GNSS 拒止環境自動進場降落。 | Aerospace (MDPI) | 連結 |
| 2025-04-12 · 近年基線 | 台灣 | Path Planning and Obstacle Avoidance of Formation Flight 編隊飛行的路徑規劃與避障。 | Sensors (MDPI) | 連結 |
| 2025-09-26 · 近年基線 | 台灣 | See, Point, Fly: A Learning-Free VLM Framework for Universal Unmanned Aerial Navigation See Point Fly：免訓練的視覺語言模型框架直接控制無人機導航。 | CoRL 2025 (Conference on Robot Learning), PMLR 305 | 連結 |
| 2025-12-08 · 近年基線 | 台灣 | Jamming Adversarial Drones with Massive MIMO 用大規模 MIMO 干擾敵對無人機。 | IEEE GLOBECOM 2025（IEEE Global Communications Conference, Taipei） | 連結 |
| 2025-12-08 · 近年基線 | 台灣 | REAP: Real-time Threat Detection and Trajectory Planning For Multiple UAVs in Adverse Areas REAP：多無人機在惡劣區域的即時威脅偵測與軌跡規劃。 | IEEE GLOBECOM 2025（IEEE Global Communications Conference, Taipei） | 連結 |
| 2026-08-10 | 台灣 | Distributed Counter-UAV Early Warning: Acoustic–Visual Information Consensus and Fuzzy–Bayesian Threat Assessment 聲學視覺邊緣節點以多目標資訊共識做分散式融合，準確度與集中式相差 5% 內、頻寬最多降約 97%，另接模糊貝氏威脅評估層。 | Drones | 連結 |
| 2026-08-03 | 非中國英國（摘要檔僅標示國別，未載明機構） | Communication-Aware Decentralised Multi-Agent Reinforcement Learning Framework for UAV-Based Wildfire Suppression: Challenges Under Realistic Communication Constraints 去中心化 DQN 加選擇性經驗分享做無人機群野火圍堵，指出通訊頻寬、環境隨機性與協同表現三者互相牽制。 | Drones (MDPI) | 連結 |
| 2026-08-10 | 非中國西班牙（自製 Mar_Spectra 酬載，含 CSIC 與加地斯大學等單位作者） | UAV-Based Above-Water Spectroradiometry for Detecting Sunscreen UV Filters in Coastal Waters 無人機掛微型光譜儀從水面上方偵測防曬乳紫外線濾劑，iS 指標與濃度線性關係 R² = 0.964，並完成野外海況驗證。 | Drones | 連結 |
| 2026-08-31 | 非中國阿聯（Ajman University，另有 Heriot-Watt University Dubai） | Directional Pheromone Gradient Observations for Decentralized Multi-Agent Reinforcement Learning in Swarm Drone Search and Rescue 方向性費洛蒙梯度觀測結合多智能體強化學習，覆蓋率 98.9%、受困者偵測率 93.3%，完全斷訊下仍穩健。 | Drones | 連結 |