Pontryagin féle maximumelv
Különböző irányítási algoritmust mutattak be más fejlesztők a Pontryagin féle maximumelvet használva a minta-alapú útvonal tervezésre. Ezzel az eljárással az irányítás lépcsőzetesen van megtervezve: egy külső kontroller a pozíció és egy belső a beállítás irányítására. Mindkettő esetében a kerék mozgásából számítandó a megtett út (visual-inertial odometry). Emellett a készítők kibővített Kálmán-szűrőt is használták, ami korrigálta az IMU mérési hibáit a képen detektált kapuk pozíciójának felhasználásával. Ezt az eljárást a AlphaPilot 2019-es versenyen használták, ahol a csapat második helyezést ért el vele. A repülési hatékonyság 100% volt 5 m/s-nál és 60% 8 m/s esetén.
line-of-sight
Picit eltérő módszer a line-of-sight (látóhatárban vagy látóvonalban) vezérlési algoritmus, amit eredetileg fix-szárnyú UAV-k quadrotorjához (4-es rotorjához) terveztek. Eztmódosították a laterális és ferde tengelyek szétválasztásával és tesztelték egy valós környezetben: sikeres volt az átrepülés 9 véletlenszerűen elhelyezett kapun.
Egy merész vállalkozást jelentett, amikor a kapu-detektálást és az irányítást kombinálni akarták egy sima konvolúciós DeepPilot hálózat formájában. Ennek alapja a PosNet volt és három párhuzamos ágat tartalmazott, amik mindegyike egy specifikus kontrollparancsot volt hivatott leadni: 2D orientáció (forgás és döntési szög), elfordulási sebesség és vertikális-lineáris sebesség. Manuális irányítás során kiadott parancsokat használtak referenciaként a hálózat tanításához (database training). A kidolgozott algoritmust eddig csak szimulált környezetben tesztelték olyan pályán, ahol különböző számban és konfigurációkban voltak kapuk elhelyezve. Sikeres volt a repülés, átlagosan 25 FPS-es feldolgozási gyorsaság mellett.
Autonóm drónverseny
Érdemes leszögezni, hogy az autonóm drónverseny egy viszonylag új téma a tudományos munkákban: az első vonatkozó tudományos igényű munka 2018-ban lett prezentálva. A legtöbb algoritmus neurális hálózatokat alkalmaz a kapuk detektálása során, azok dizájnjától függetlenül, és több szenzortól származó adatfúziót a drón irányításához. Összességében egy nagyon számításigényes folyamatról beszélünk, ahol a gépi tanulásnak vagy tanuló adathalmaznak (training data) alapvető a szerepe.