An Experimental Study of Wind Resistance and Power Consumption in MAVs with a Low-Speed Multi-Fan Wind System
MAVLab, Department of Control and Operations, TU Delft（代尔夫特理工大学控制与运筹系MAV实验室）
针对微型飞行器（MAV）试验用低速多风扇送风系统，提出了一种低成本、开源和硬件开放的设计方案，并进行了性能评估。此外，一组扑翼MAV和旋翼机的实验，演示了系统的能力和这些不同类型的无人机响应各种类型的风的属性。我们进行了两组实验，其中MAV飞入风扇系统的尾流，收集有关状态，电池电压和电流的数据。首先，我们专注于风速范围从0.5 m/s到3.4 m/s的稳定风条件。在第二组实验中，我们引入阵风，通过周期性地将风速从1.3 m/s调制到3.4 m/s，阵风振荡为0.5 Hz、0.25 Hz和0.125 Hz。“Flapper”扑翼MAV需要比“CrazyFlie”四旋翼大得多的俯仰角来对抗风。这是因为Flapper的翼面更大。在向前飞行时，它的翅膀确实提供了额外的升力，大大降低了功耗。相比之下，CrazyFlie的功耗在不同的风速下保持不变。与变化的风的实验表明，与Flapper无人机相比，CrazyFlie的阵风响应更快，但它们的响应都可以进一步改进。我们预期拟议的阵风系统会为社会提供有用的工具，以达致这些改善。
2022-02-14 cs.RO
Fast, On-board, Model-aided Visual-Inertial Odometry System for Quadrotor Micro Aerial Vehicles
University of Technology, Sydney（悉尼科技大学）
本文的主要贡献是一个高频率，低复杂度，四旋翼微型飞行器的机载视觉惯性里程计系统。该系统包括一个扩展卡尔曼滤波器（EKF）的状态估计算法，融合信息从一个低成本的MEMS惯性测量单元获得在200 Hz和VGA分辨率的图像从一个单目相机在50 Hz。在估计算法中采用描述四旋翼运动的动态模型作为第三信息源。通过对图像对之间跟踪的特征实施对极约束，将视觉信息并入EKF中，从而避免了显式估计跟踪的环境特征的位置的需要。结合使用的动态模型和核线约束，使得它有可能获得无漂移的速度和姿态估计的加速度计和陀螺仪的偏差存在。还提供了一种处理四旋翼悬停时出现的不可观测性的策略。从一个50克的嵌入式计算机上的系统的实时实现的实验数据，除了模拟演示所提出的系统的有效性。
2016-07-06 cs.RO
Learning Monocular Reactive UAV Control in Cluttered Natural Environments
Institute for Computer Graphics and Vision（计算机视觉研究所）；Graz University of Technology（格拉茨技术大学）
本文使用单目相机和模仿学习训练控制器，使小型四旋翼飞行器能在自然森林环境中以1.5m/s速度自主避障导航。
2012-11-07 cs.CV cs.LG cs.RO
Evolution of Robust High Speed Optical-Flow-Based Landing for Autonomous MAVs
Delft University of Technology（代尔夫特理工大学）
机器人行为的自动优化一直是进化机器人的长期目标。允许通过自动化解决手头的问题通常会带来新的方法和新的见解。这种方法遇到的一个常见问题是，当这种优化在模拟环境中发生时，优化的策略在现实世界中实施时会受到现实差距的影响。这通常会导致次优行为，如果它真的起作用的话。研究了利用下视摄像机光流场的发散特性对四旋翼微型飞行器进行快速安全着陆的神经控制器的自动优化问题。优化策略表明，分段线性控制方案比通常使用的简单线性方案更有效，这是人类设计师尚未考虑的。此外，我们使用抽象的输入和输出的控制器作为一种工具，以提高鲁棒性的优化政策的现实差距，通过测试我们的政策优化模拟现实世界的车辆。我们使用两种不同的方法来测试神经控制器，以生成和处理视觉输入，一种是使用传统的CMOS相机，另一种是动态视觉传感器，这两种方法的表现都与模拟传感器有显着不同。抽象输入的使用导致接近无缝转移到现实世界中的控制器显示出高鲁棒性，以一个明确的现实差距。
2019-12-16 cs.CV cs.RO
EGO-Swarm: A Fully Autonomous and Decentralized Quadrotor Swarm System in Cluttered Environments
Zhejiang University（浙江大学）；National Engineering Research Center for Industrial Automation (Ningbo Institute)（国家工业自动化工程技术研究中心（宁波研究院））；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）
提出了一种仅利用车载资源的多机器人在未知的多障碍场景中的分散异步自主导航系统解决方案。规划系统制定基于梯度的局部规划框架下，通过制定碰撞风险作为一个惩罚的非线性优化问题，避免碰撞。为了提高鲁棒性和逃避局部极小值，我们采用了一种轻量级的拓扑轨迹生成方法。然后，智能体使用不可靠的轨迹共享网络在几毫秒内生成安全，平滑和动态可行的轨迹。通过在深度图像中进行智能体检测来校正智能体之间的相对定位漂移。我们的方法在模拟和现实世界的实验中证明。现将源代码发布，供社区参考。
2021-05-05 cs.RO
Robust, Perception Based Control with Quadrotors
University of Pennsylvania（宾夕法尼亚大学）
传统上，机器人系统中的控制器和状态估计器是独立设计的。控制器的设计往往假设完美的状态估计。然而，诸如视觉惯性里程计（VIO）的状态估计方法随时间漂移并且可能导致系统行为不当。虽然状态估计误差可以借助于GPS或运动捕获来校正，但是这些互补传感器并不总是可用或可靠的。最近的工作表明，这个问题可以通过使用感知误差的数据驱动表征来合成鲁棒控制器来处理，并且可以使用鲁棒性约束来约束系统对状态估计误差的响应。我们调查的应用程序，这种强大的感知为基础的方法，四旋翼模型使用VIO的状态估计，并证明使用这种技术在仿真和硬件的优点和缺点。此外，为了使调整更容易，我们引入了一个新的成本函数中使用的控制合成，它允许一个现有的控制器和“robustify”它。据我们所知，这是第一个强大的基于感知的控制器实现在真正的硬件，以及一个利用数据驱动的感知模型。我们认为这是迈向安全、强大的机器人的重要一步，这些机器人明确地解释了感知和控制之间的内在依赖性。
2020-09-18 cs.RO
Building with Drones: Accurate 3D Facade Reconstruction using MAVs
Graz University of Technology（格拉茨技术大学）
利用多视点运动恢复结构（Structure-from-Motion）方法从图像中自动重建三维模型已成为计算机视觉最具成果的研究领域之一。这些进步与微型飞行器作为自主成像平台的日益普及相结合，使得3D视觉工具在大量建筑，工程和建筑应用中无处不在，大多数观众不熟悉计算机视觉。然而，为了使用SfM从大规模对象获得高分辨率和准确的重建，对图像数据的质量存在许多关键约束，这通常成为不准确的来源，因为当前的3D重建流水线不便于用户在图像采集期间确定输入数据的保真度。在本文中，我们提出并倡导一种闭环交互式的方法，执行增量重建实时，并给用户的质量参数，如地面采样距离（GSD），图像冗余度等表面网格上的在线反馈。我们还提出了一种新的多尺度相机网络设计，以防止场景漂移所造成的增量地图建设，并发布了第一个多尺度图像序列数据集作为基准。此外，我们在真实的户外场景中评估了我们的系统，并表明我们的交互式管道与多尺度相机网络方法相结合，与最先进的方法相比，在多视图重建任务中提供了令人信服的准确性。
2015-02-25 cs.AI cs.CV cs.RO
Soliro -- a hybrid dynamic tilt-wing aerial manipulator with minimal actuators
Autonomous Systems Lab, ETH Z\" u rich, Switzerland
本文提出Soliro，一种融合全向空中机械臂与VTOL混合平台的5DOF分体倾转翼机器人，仅用最少执行器且无需传统控制面，并通过风洞和过渡飞行验证其性能。
2023-12-08 cs.RO
Machine Learning-based Feedback Linearization Control of Quadrotor Subject to Unmodeled Dynamics
Smart Systems, Department of Mechanical and Materials Engineering, Faculty of Technology, University of Turku（图尔库大学技术学院机械与材料工程系智能系统实验室）
提出一种基于高斯径向基函数神经网络在线补偿未建模动力学的反馈线性化控制框架，通过Lyapunov理论保证闭环稳定性和轨迹跟踪渐近收敛，在Crazyflie 2.1上实验验证，位置和偏航RMSE分别降低7.13%和49.27%。
2026-07-01 cs.LG cs.RO cs.SY
Quadrotor Dead Reckoning with Multiple Inertial Sensors
针对四旋翼纯惯性导航漂移问题，提出基于多惯性测量单元（MIMU）的航位推算方法，通过周期性轨迹与深度学习提升定位精度，并经现场实验验证。
2023-10-26 cs.RO
Learned Inertial Odometry for Autonomous Drone Racing
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
惯性里程计是解决敏捷四旋翼飞行器状态估计问题的一种有吸引力的方法。它价格便宜，重量轻，并且不受感知退化的影响。然而，仅仅依靠惯性测量的积分进行状态估计是不可行的。这种测量中存在的误差和时变偏差导致姿态估计中的大漂移的累积。最近，惯性里程计在估计行人的运动方面取得了重大进展。最先进的算法依赖于学习人类典型的运动先验，但不能转移到无人机上。在这项工作中，我们提出了一种基于学习的里程计算法，该算法使用惯性测量单元（IMU）作为自主无人机赛车任务的唯一传感器模态。我们的系统的核心思想是耦合一个基于模型的滤波器，由惯性测量驱动，与一个基于学习的模块，可以访问推力测量。我们表明，我们的惯性里程计算法是优于国家的最先进的基于滤波器和基于优化的视觉惯性里程计，以及国家的最先进的学习惯性里程计估计的姿态的自主赛车无人机。此外，我们表明，我们的系统是可比的视觉惯性里程计的解决方案，使用相机，并利用已知的门的位置和外观。我们相信，在自主无人机比赛中的应用为敏捷四旋翼飞行的惯性里程计的新研究铺平了道路。
2023-02-28 cs.RO
Event-Triggered Nonlinear Model Predictive Control for Cooperative Cable-Suspended Payload Transportation with Multi-Quadrotors
Toronto Metropolitan University（多伦多都会大学）；University of Alberta（阿尔伯塔大学）
针对多四旋翼吊挂载荷协同运输中的非线性耦合等挑战，提出一种事件触发分布式NMPC方法，通过轻量级状态参数化在SE(3)流形上规划轨迹，在保证轨迹跟踪与避障的同时显著降低计算与通信开销。
2025-03-26 cs.RO cs.SY eess.SY
Trajectory Generation for UAVs in Unknown Environments with Extreme Wind Disturbances
The George Washington University（乔治华盛顿大学）；University of Delaware（特拉华大学）
军事、商业公司和学术界对无人机（UAV）的广泛使用继续推动着自主车辆导航的研究，特别是在不同的环境条件和超视距（BLOS）应用中。本文讨论了在极端环境中飞行的无人机的轨迹生成，在极端环境中，风干扰可能超过飞行器的闭环稳定性界限。为此，开发了具有两种操作模式的控制器：（1）正常模式，和（2）漂移模式。在正常模式下，环境条件不会超过飞行器的推力和传感器限制，而在漂移模式下则会超过。在漂移模式中，建立随盛行风移动的漂移框架，其中飞行器保持控制权限以生成和跟踪轨迹。飞行器通过放松惯性系轨迹跟踪要求并在漂移系中重新规划轨迹来保持控制权限。建立保证以确保跟踪轨迹、避免碰撞，并遵守飞行器推力和传感器限制。仿真结果通过两个场景验证了算法的性能。首先，两个四旋翼的性能进行比较，其中一个利用漂移模式，另一个不。第二，多个车辆通过两个狭窄的开口之间的保护和多风的环境，以展示车载更新导航参数的基础上的环境条件。
2019-06-22 cs.RO cs.SY eess.SY
Control and State Estimation of Vehicle-Mounted Aerial Systems in GPS-Denied, Non-Inertial Environments
Robotics, Intelligent Systems, and Control Lab, King Abdullah University of Science and Technology (KAUST), Thuwal, Saudi Arabia（机器人、智能系统与控制实验室，国王阿卜杜勒-阿齐兹大学科学与技术学院（KAUST），沙特阿拉伯图瓦尔）
本文提出了一种无需惯性反馈的四旋翼飞行器控制与状态估计方法，通过外部位置测量和EKF-UI结合cascaded PID控制器，实现非惯性环境下的稳定轨迹跟踪。
2026-02-03 cs.RO cs.SY eess.SY
ARCADE: Adaptive Robot Control with Online Changepoint-Aware Bayesian Dynamics Learning
Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系）；Department of Computer Science, Aalto University（阿alto大学计算机科学系）
ARCADE通过在线变化点感知机制实现机器人动态的自适应控制，提升预测精度和恢复能力。
2025-12-16 cs.RO
When Should a Robot Replan? Regret-Guided Update Scheduling in Time-Varying MDPs
University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对时变环境下机器人因预算限制无法持续重规划的问题，提出基于动态遗憾的在线更新调度规则，在仿真和实物实验中优于固定预算基线。
2026-11-03 cs.RO cs.SY eess.SY
