Toward Increased Airspace Safety: Quadrotor Guidance for Targeting Aerial Objects
Carnegie Mellon University（卡内基梅隆大学）
随着商用无人机（UAV）市场的蓬勃发展，在受保护或敏感空域中发现的小型遥控或自主飞机越来越多。移除这些飞机的现有解决方案要么是军用级的，对国内使用来说太具破坏性，要么是由在国内高调案例中被证明无效的令人不安的遥控反无人机车辆组成。在这项工作中，我们研究了使用四旋翼自主瞄准半静止和移动的空中物体，很少或没有先验知识的目标的飞行特性。制导和控制命令仅由机载单目摄像机提供的信息生成。我们从文献中的导弹制导的灵感，并证明了最佳的制导方法实施的四旋翼，但不能使用的导弹。结果首次通过命中成功和追求持续时间与各种方法。最后，我们介绍了CMU Team Tartan在MBZIRC 2020挑战1比赛中的参赛作品，展示了简单的视线引导方法在结构化比赛环境中的有效性。
2021-07-04 cs.RO
CrazyChoir: Flying Swarms of Crazyflie Quadrotors in ROS 2
University of Bologna（博洛尼亚大学）
本文提出基于 ROS 2 的模块化 Python 框架 CrazyChoir，用于 Crazyflie 四旋翼集群的仿真、通信、分布式优化与控制，并通过编队、取送货和轨迹跟踪实验验证其有效性。
2023-05-30 cs.RO
Feasibility and Singularity in High-Order Safety-Critical Control for Quadrotor UAVs
Universidad Politécnica de Madrid（马德里理工大学）；Centre for Automation and Robotics (CSIC-UPM)（自动化与机器人中心（西班牙国家研究委员会-马德里理工大学））
针对四旋翼团队在有界输入和避碰约束下的高阶安全控制，提出扭矩感知动态扩展与高斯过程学习残差的方法，解决推力失效和联合不可行问题，保证碰撞避免。
2026-09-18 cs.RO cs.SY eess.SY
Decentralized Nonlinear Model Predictive Control for Safe Collision Avoidance in Quadrotor Teams with Limited Detection Range
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
针对多四旋翼系统在传感与通信受限下的安全协调问题，提出集成指数控制障碍函数的去中心化非线性模型预测控制方法，提供检测范围最小下界保证，并通过仿真和实验验证其有效性与实用性。
2024-09-25 cs.MA cs.RO
Robust and Efficient Quadrotor Trajectory Generation for Fast Autonomous Flight
Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一个强大的和有效的四旋翼运动规划系统的快速飞行在3-D复杂的环境。我们采用了一种运动动力学路径搜索方法，在离散化的控制空间中找到一个安全的、运动动力学可行的、时间最短的初始轨迹。利用B样条函数的凸包性质，结合欧氏距离场（EDF）的梯度信息和动态约束，通过B样条函数优化来提高轨迹的光滑性和清晰度。最后，通过将最终轨迹表示为非均匀B样条，采用迭代时间调整方法来保证轨迹的动态可行性和非保守性。我们验证我们提出的方法在各种复杂的仿真环境。该方法的能力也验证了在具有挑战性的现实世界的任务。我们将代码作为开源软件包发布。
2019-07-03 cs.RO
Curriculum Reinforcement Learning for Quadrotor Racing with Random Obstacles
School of Automation and Perception, Shanghai Jiao Tong University（自动化与感知学院，上海交通大学）；Faculty of Aerospace Engineering, Delft University of Technology（航空航天工程学院，代尔夫特理工大学）
本文提出一种课程强化学习框架，通过多阶段学习和领域随机化提升四旋翼赛车在随机障碍物环境中的鲁棒性和速度
2026-02-27 cs.RO
Safe Certificate-Based Maneuvers for Teams of Quadrotors Using Differential Flatness
Georgia Institute of Technology（佐治亚理工学院）
安全屏障证书，确保无碰撞机动队的差分平面度为基础的四旋翼。证书与控制屏障功能相结合，用于以最小侵入性的方式修改标称轨迹，以避免碰撞。建议的防撞策略补充现有的飞行控制和规划算法，提供可证明的安全保证轨迹修改。该策略的有效性得到了理论结果和五个四旋翼团队实验验证的支持。
2017-02-03 cs.RO
TGK-Planner: An Efficient Topology Guided Kinodynamic Planner for Autonomous Quadrotors
Zhejiang University（浙江大学）
在本文中，我们提出了一个轻量级的，但有效的拓扑引导Kinodynamic规划器（TGK规划器）的四旋翼侵略性飞行有限的机载计算资源。该系统遵循传统的层次规划工作流程，在寻路和轨迹优化两个子模块中采用了新颖的设计，提高了鲁棒性和效率。首先，我们提出了拓扑引导图，它粗略地捕获了环境的拓扑结构，并指导基于采样的Kinodynamic规划器的状态采样。通过这种方式，我们显着提高了寻找安全和动态可行轨迹的效率。然后，我们细化的光滑性和连续性的轨迹的优化框架，其中包括同伦约束，以保证轨迹的安全性。优化程序被配制成一个序列的二次规划（QP），可以在几毫秒内迭代求解。最后，所提出的系统集成到一个完全自主的四旋翼，并在各种模拟和现实世界的情况下进行验证。基准比较表明，我们的方法优于国家的最先进的方法方面的效率和轨迹质量。此外，我们将以开源软件包的形式发布我们的代码。
2020-11-08 cs.RO
AI-IO: An Aerodynamics-Inspired Real-Time Inertial Odometry for Quadrotors
Shanghai Jiao Tong University（上海交通大学）
本文提出了一种基于变压器的AI-IO方法，通过引入旋翼速度测量提升四旋翼惯性里程计的精度和实时性能。
2026-02-28 cs.RO
Downwash-Aware Trajectory Planning for Large Quadrotor Teams
University of Southern California（南加州大学）
我们描述了一种方法，形成变化的轨迹规划大型四旋翼团队在障碍物丰富的环境。我们的方法将规划问题分解为两个阶段：一个离散的规划器操作的工作空间的图形表示，和一个连续的细化，将非光滑的图形计划转换成一组C^k-连续的轨迹，局部优化的积分平方导数成本。我们考虑了下洗效应，使得在密集编队中能够安全飞行。我们展示了计算效率与多达200个机器人和物理兼容性与32纳米四旋翼实验模拟。我们的方法可以在几分钟内计算出数百个四旋翼在密集环境中的安全和平滑的轨迹。
2017-07-23 cs.RO
EVPeriscope: Extended Perception across Aerial and Ground Vehicles with Event-based Propeller Tracking
University of Pennsylvania（宾夕法尼亚大学）
EVPeriscope利用事件相机检测四旋翼螺旋桨高频信号，实现地面与空中机器人的可靠相对定位，在恶劣条件下支持闭环导航，扩展地面机器人感知能力。
2026-09-11 cs.RO
Resilient Coverage: Exploring the Local-to-Global Trade-off
University of Southern California（南加州大学）；Virginia Tech（弗吉尼亚理工学院暨州立大学）
我们提出了一个集中式控制框架，从异构池中选择合适的机器人，并将它们放置在适当的位置，以监视感兴趣的事件的区域。在机器人故障的情况下，框架重新定位机器人在用户定义的本地附近的故障机器人，以补偿覆盖损失。当简单地重新定位机器人无法达到用户指定的期望覆盖水平时，中央控制器从机器人池中增加额外的机器人来增强团队。失败机器人周围的局部邻域的大小和区域上的期望覆盖率是可以被操纵以实现用户指定的平衡的两个目标。我们调查的覆盖范围之间的权衡补偿实现通过本地重新定位和规划新的机器人位置所需的计算。我们还研究了本地邻域的大小和添加到团队中的额外机器人的数量之间的关系，对于给定的用户指定的所需覆盖范围。我们使用广泛的模拟和实验与七个四旋翼团队来验证我们的框架的有效性。此外，我们表明，要在具有大量机器人的邻域中达到高水平的覆盖率，扩大邻域大小比添加额外的机器人并重新定位它们更有效。
2020-04-15 cs.AI cs.MA cs.RO
Moving Horizon Estimation for Quadrotors: An $\mathcal{L}_1$ Adaptive Optimizer Approach
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究提出一种结合 $\mathcal{L}_1$ 自适应优化器的时变求解器，用于高效求解四旋翼的移动水平估计问题，在降低计算负担的同时提高估计精度。
2026-09-28 cs.RO cs.SY eess.SY
Iterative Sequential Action Control for Stable, Model-Based Control of Nonlinear Systems
Neuroscience and Robotics Laboratory (N×R)（神经科学与机器人实验室）
本文提出了一种迭代序列动作控制(iSAC)方法，用于非线性系统的控制，该方法通过在时间步之间迭代更新常数控制值来获得闭环渐近稳定性，并探讨了渐近衰减扰动对系统轨迹的影响。
2018-10-26 cs.RO cs.SY eess.SY
Evader-Agnostic Team-Based Pursuit Strategies in Partially-Observable Environments
针对两名无人机在城市部分可观测环境中追击未知规避者的问题，提出两阶段神经符号算法，通过离线深度强化学习训练k级理性策略、在线分类匹配对手并响应，提升了对随机规避者的平均追击性能。
2025-11-08 cs.MA cs.RO
Curriculum-Based Iterative Self-Play for Scalable Multi-Drone Racing
Department of Mechatronics Engineering Faculty of Engineering Turkish-German University（机械工程系 工程学院 德土大学）
本文提出CRUISE框架，结合渐进课程与自博弈训练多无人机竞速策略，在高保真仿真中速度接近两倍于博弈论规划器，验证了课程结构的关键作用。
2025-10-26 cs.AI cs.MA cs.RO
Real-Time Stochastic Optimal Control for Multi-agent Quadrotor Systems
Universitat Pompeu Fabra（庞培法布拉大学）；Radboud University Nijmegen（拉德堡德大学（奈梅亨））；University of California Los Angeles（加利福尼亚大学洛杉矶分校）；University College London（伦敦大学学院）
提出了一种基于随机最优控制理论的无人机编队控制方法。该方法包括一个集中的高层次的计划，计算最佳状态轨迹的速度序列，和一个特定于平台的低层次的控制器，确保这些速度序列得到满足。规划任务表示为一个集中式路径积分控制问题，最优控制计算对应于一个概率推理问题，可以解决有效的采样方法。通过仿真，我们表明，我们的SOC方法（a）具有显着的好处相比，确定性控制和其他SOC方法在多模态问题与噪声相关的最佳解决方案，（b）是能够控制大量的平台实时，（c）产生集体紧急行为的形式的飞行编队。最后，我们表明，我们的方法适用于真实的平台，通过控制一个团队的三个四旋翼在户外条件下。
2020-05-12 cs.MA cs.RO cs.SY
Distributed Control for 3D Inspection using Multi-UAV Systems
KIOS Research and Innovation Center of Excellence (KIOS CoE)（KIOS卓越研究与创新中心）；University of Cyprus（塞浦路斯大学）
本文提出一种多无人机系统的分布式控制算法，通过生成无碰撞轨迹以最短时间协同检查目标对象表面的3D点，数值仿真验证了其有效性。
2024-09-20 cs.RO cs.SY eess.SY
Data-Efficient Multirobot, Multitask Transfer Learning for Trajectory Tracking
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Cairo University（开罗大学）
迁移学习有可能减轻数据汇集的负担，并减少培训阶段不可避免的风险。在这封信中，我们介绍了一个多机器人，多任务的迁移学习框架，允许系统完成一个任务，从另一个系统上执行的另一个任务的一些演示学习。我们专注于轨迹跟踪问题，每个轨迹代表一个不同的任务，因为许多机器人的任务可以被描述为一个轨迹跟踪问题。提出的多机器人迁移学习框架是基于组合$\mathcal{L}_1$自适应控制和迭代学习控制方法。其关键思想是自适应控制器迫使动态不同的系统表现为一个指定的参考模型。所提出的多任务迁移学习框架使用理论控制结果（例如，向量相对度的概念）来学习从期望轨迹到输入的映射，使得系统以高精度跟踪这些轨迹。该映射用于计算新的不可见轨迹的输入。使用两个不同的四旋翼平台和六个不同的轨迹的实验结果表明，平均而言，所提出的框架减少了74%的第一次迭代跟踪误差时，跟踪一个不同的四旋翼上的不同的单一轨迹的信息被利用。
2018-04-02 cs.RO
High-Precision Trajectory Tracking in Changing Environments Through $\mathcal{L}_1$ Adaptive Feedback and Iterative Learning
University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所（UTIAS））
本文提出结合L1自适应反馈与迭代学习控制的框架，提升系统在未知动态扰动下的轨迹跟踪性能，通过实验验证其优于纯ILC方法的鲁棒性和泛化能力。
2017-05-12 cs.RO cs.SY eess.SY
Resilient Time-Varying Formation Tracking for Mobile Robot Networks under Deception Attacks on Positioning
National Cheng Kung University（成功大学）；University of Hawai‘i at Mānoa（夏威夷大学马诺阿分校）
本文研究了移动机器人网络在全球定位欺骗攻击下的时变编队跟踪的弹性控制、分析、恢复和操作。局部和全局跟踪控制算法，以确保冗余的移动机器人网络，并保留所需的功能，更好的弹性。利用李雅普诺夫稳定性分析方法证明了编队跟踪误差的有界性和网络在各种攻击模式下的稳定性。设计了一个性能指标来比较所提出的编队跟踪算法在有或没有定位攻击的情况下的效率。随后，提出了一种基于扩展信息滤波器的无通信分布式协作定位方法，用于定位估计恢复，其中定位攻击的识别基于Kullback-Leibler散度。提出了一种增益调整弹性操作，以战略性地综合编队控制和合作定位准确和快速的系统恢复定位攻击。所提出的方法进行了测试，使用数值模拟和实验验证与团队的四旋翼。
2021-10-20 cs.RO
Learning Stabilizable Nonlinear Dynamics with Contraction-Based Regularization
Stanford University（斯坦福大学）；Google Brain Robotics（谷歌大脑机器人团队）；Massachusetts Institute of Technology（麻省理工学院）
我们提出了一个新的框架，学习稳定的非线性动力系统连续控制任务的机器人。的关键贡献是一个控制理论的正则化动力学拟合植根于概念的稳定性，一个约束，保证存在的鲁棒跟踪控制器的任意开环轨迹与学习系统。利用再生核希尔伯特空间中的压缩理论和统计学习的工具，我们将可稳定的动力学学习表示为具有凸目标和双凸泛函约束的泛函优化问题。在一个温和的结构假设和放松的功能性约束的抽样为基础的约束下，我们得到的最优解与修改的表示定理。最后，我们利用随机矩阵特征近似，以减少搜索参数的维数，并制定一个迭代凸优化算法，共同适合的动力学函数和搜索的稳定性证书。我们验证了所提出的算法在仿真的平面四旋翼，并在四旋翼硬件试验台上仿真平面动力学。我们在仿真和硬件上验证了，与使用传统回归技术学习的模型相比，控制理论正则化模型显着提高了轨迹生成和跟踪性能，特别是在从小监督数据集学习时。结果支持的猜想，使用稳定性约束作为一种形式的正则化可以帮助修剪的假设空间的方式，是定制的轨迹生成和反馈控制的下游任务，导致模型，不仅是显着更好的条件，而且数据效率。
2019-07-29 cs.LG cs.RO cs.SY
Transfer Learning for High-Precision Trajectory Tracking Through $\mathcal{L}_1$ Adaptive Feedback and Iterative Learning
Institute for Aerospace Studies, University of Toronto, North York, ON M3H 5T6, Canada（多伦多大学航空航天研究 institute, 北York, ON M3H 5T6, 加拿大）
本文提出结合L1自适应控制与迭代学习控制的框架，用于在未知动态环境中实现高精度轨迹跟踪，通过迁移学习实现不同系统间的经验传递。
2018-07-13 cs.RO cs.SY eess.SY
Collision Avoidance and Navigation for a Quadrotor Swarm Using End-to-end Deep Reinforcement Learning
University of Southern California（南加州大学）；Amazon（亚马逊公司）
本文提出端到端深度强化学习方法，结合课程训练、碰撞片段重放和注意力机制，实现四旋翼集群在障碍环境中的避障导航，并首次实现零样本迁移到真实无人机。
2024-05-06 cs.AI cs.MA cs.RO
Optimal Trajectory Planning for Cooperative Manipulation with Multiple Quadrotors Using Control Barrier Functions
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
提出基于控制屏障函数的多四旋翼协同操作轨迹规划算法，通过凸多面体建模和对偶定理降低计算复杂度，实现六自由度避障和安全轨迹生成。
2025-03-04 cs.RO
Minimal Information Control Invariance via Vector Quantization
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文研究了在采样数据控制下使紧凑集前向不变所需的最少控制信号数量，提出了一种联合学习状态空间划分和有限控制码本的向量量化自编码器，并开发了基于Lipschitz的可达集包围和sum-of-squares编程的迭代前向认证算法。
2026-04-03 cs.RO cs.SY eess.SY
Nonlinear Model Predictive Control for Cooperative Transportation and Manipulation of Cable Suspended Payloads with Multiple Quadrotors
New York University（纽约大学）
提出一种非线性模型预测控制方法，使多四旋翼无人机群能在6个自由度上协同操纵缆线悬挂的刚体负载，利用系统冗余实现避障等附加任务，并通过轻量级状态参数化满足实时计算需求。
2024-01-09 cs.RO
Decentralized Motion Planning with Collision Avoidance for a Team of UAVs under High Level Goals
KTH Royal Institute of Technology（瑞典皇家理工学院）
研究了在高水平目标下的空中智能体团队的运动规划问题。我们提出了一种混合控制策略，保证每个代理的本地目标规范，这是作为一个时间逻辑公式的完成，同时保证代理间的冲突避免。特别是，通过定义3-D领域，绑定代理的体积，我们扩展了以前的工作分散的导航功能，并提出控制律，导航代理之间的预定义区域的工作空间的兴趣，同时避免相互碰撞。这使我们能够抽象的代理有限转移系统的运动，并通过采用标准的形式化验证技术，得到一个高层次的控制算法，满足代理的规格。仿真和四旋翼实验结果验证了该方法的有效性。
2016-10-04 cs.RO
A Dynamic Heterogeneous Team-based Non-iterative Approach for Online Pick-up and Just-In-Time Delivery Problems
Indian Institute of Science（印度科学学院）
本文提出一种基于动态异构团队的非迭代方法，通过改进DREAM框架求解在线取货与准时送达的时空多任务分配问题，在保证任务可行性的同时实现最优资源利用，并经仿真与硬件实验验证其可扩展性。
2023-04-14 cs.MA cs.RO cs.SY
PAMPC: Perception-Aware Model Predictive Control for Quadrotors
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
我们提出了第一个感知感知模型预测控制框架，统一控制和规划方面的行动和感知目标的四旋翼。我们的框架利用数值优化来计算满足系统动力学的轨迹，并需要在平台的限制内的控制输入。同时，它通过最大化感兴趣点的可见性并最小化其在图像平面中的速度来优化感知目标，以实现鲁棒和可靠的感测。考虑感知和动作目标的运动规划和控制是具有挑战性的，由于其各自的要求可能产生的冲突。例如，对于跟踪参考轨迹的四旋翼，它需要旋转以使其推力与期望加速度的方向对准。然而，感知目标可能需要最小化这种旋转以最大化感兴趣点的可见性。因此，一个基于模型的优化框架，能够考虑感知和行动目标，并通过系统动力学耦合它们，是必要的。我们的感知感知模型预测控制框架通过迭代求解非线性优化问题以滚动时域方式工作。它能够实时运行，完全机载我们的轻量级，小型四旋翼使用低功耗ARM计算机，以与视觉惯性里程计管道。我们在实验中验证了我们的方法，证明了（I）感知和行动目标之间的矛盾，以及（II）在极具挑战性的照明条件下改善了行为。
2018-07-10 cs.RO
A Distributed Online Optimization Strategy for Cooperative Robotic Surveillance
University of Bologna（博洛尼亚大学）
针对多机器人协作防护目标问题，提出一种基于分布式聚合在线优化的位置控制算法，可利用局部带噪测量重构全局信息并预测目标函数，仿真与四旋翼实验验证了其有效性。
2023-04-27 cs.RO
Quattro: Transformer-Accelerated Iterative Linear Quadratic Regulator Framework for Fast Trajectory Optimization
University of Southampton（南安普顿大学）；University of Oxford（牛津大学）
提出Quattro框架，通过算法-硬件协同设计利用Transformer预测矩阵加速iLQR，在资源受限设备上实现并行计算，在多系统中显著提升轨迹优化与MPC的实时控制速度并降低功耗。
2025-04-03 cs.RO cs.SY eess.SY
A Non-iterative Spatio-temporal Multi-task Assignments based Collision-free Trajectories for Music Playing Robots
Indian institute of Science（印度科学学院）；National Institute of Technology, Tiruchirappalli（蒂鲁吉拉伯利国家理工学院）
在本文中，一个非迭代时空多任务分配方法被用于演奏钢琴音乐的机器人团队。本文考虑了钢琴演奏问题，其中的算法需要计算的轨迹为一个动态大小的机器人团队谁将发挥的音符，通过在各自的特定时间与音符相关联的特定位置旅行。基于时空多任务分配问题（DREAM）的两步动态资源分配，已被实现分配机器人演奏音乐的曲调。该算法在第一步中计算播放音乐所需的机器人数量。在第二步中，为更新后的机器人团队计算最佳分配，使团队行进的总距离最小化。即使对于单个可行轨迹，如果机器人遇到碰撞，多机器人执行也可能失败。由于将利用一些时间来解决此冲突，机器人可能无法按时到达所需位置。本文分析并证明了，如果机器人在凸区域内运行，DREAM方法的解决方案提供了无碰撞的轨迹。DREAM方法的工作已经在使用ROS2操作的Gazebo中的高保真模拟的帮助下进行了说明。结果清楚地表明，DREAM方法计算所需的机器人数量，并在最多两个步骤中将多个任务分配给机器人。机器人演奏音乐的模拟，使用计算分配，在所附的视频中演示。视频链接：\url{https://youtu.be/XToicNm-CO8}
2023-02-17 cs.MA cs.RO cs.SY
Trajectory Generation for Multiagent Point-To-Point Transitions via Distributed Model Predictive Control
University of Toronto（多伦多大学）；Institute for Aerospace Studies（航空航天研究所）；Dynamic Systems Lab（动态系统实验室）
提出了一种基于分布式模型预测控制的多智能体离线轨迹生成算法。该算法的可扩展性和成功的核心是按需避碰策略的发展。通过预测未来状态并与邻居共享这些信息，智能体能够在朝着目标前进的同时检测和避免冲突。所提出的算法可以以分布式的方式实现，并减少了超过85%的计算时间相比，以前的优化方法的基础上顺序凸规划，而只有一个小的影响的最优性的计划。该方法通过广泛的模拟和实验验证了多达25个四旋翼飞行器在密闭的室内空间。
2019-01-15 cs.MA cs.RO
An Iterative Approach for Heterogeneous Multi-Agent Route Planning with Resource Transportation Uncertainty and Temporal Logic Goals
Mechanical Engineering and Mechanics Department（机械工程与力学系）
本文提出一种迭代路径规划方法，在资源分布未知条件下动态平衡探索与任务执行，使异构多智能体团队在能力时序逻辑约束下高效完成资源运输任务。
2025-08-26 cs.FL cs.RO
On the Effectiveness of Iterative Learning Control
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Department of Computer Science, Cornell University（康奈尔大学计算机科学系）；Aurora Innovation
迭代学习控制（ILC）是一种在存在建模误差的情况下进行高性能跟踪的强大技术，适用于最优控制应用。有大量的先前工作表明其在化学反应器，工业机器人和四轴飞行器等应用中的经验有效性。然而，很少有以前的理论工作，解释的有效性ILC即使在存在大的建模误差，其中最优控制方法使用的误指定模型（MM）往往表现不佳。我们的工作提出了这样一个理论研究的性能ILC和MM的线性二次型调节器（LQR）的问题与未知的过渡动态。我们表明，次优差距，作为测量相对于最优的LQR控制器，ILC是低于MM的高阶项，成为显着的制度中的高建模误差。我们分析的一个关键部分是离散Ricatti方程在有限时域设置，其中的解决方案是不是一个固定点，并需要跟踪使用递归边界的错误的扰动界。我们回到我们的理论研究结果与经验实验的玩具线性动力系统的近似模型，非线性倒立摆系统与错误指定的质量，和非线性平面四旋翼系统在风的存在下。实验表明，ILC优于MM显着，在计算轨迹的成本方面，当建模误差高。
2021-12-08 cs.LG cs.RO cs.SY
RLO-MPC: Robust Learning-Based Output Feedback MPC for Improving the Performance of Uncertain Systems in Iterative Tasks
Vector Institute for Artificial Intelligence（人工智能向量研究所）
在这项工作中，我们解决的问题时，我们有不确定的意见和动态执行重复的任务。我们将此问题表示为一个具有输出反馈的迭代无限时域最优控制问题。以前，这个问题被解决的线性时不变（LTI）系统的情况下，噪声的全状态测量是可用的使用鲁棒迭代学习控制框架，我们称之为鲁棒学习为基础的模型预测控制（RL-MPC）。然而，这项工作并不适用于只有部分状态的噪声观测的情况。这限制了当前方法在实践中的适用性：首先，在实际应用中，我们通常无法访问完整状态。第二，观察中的不确定性，如果不考虑，可能导致不稳定和约束违反。为了克服这些局限性，我们提出了一种RL-MPC与鲁棒输出反馈模型预测控制的组合，称为基于鲁棒学习的输出反馈模型预测控制（RLO-MPC）。我们展示了递归的可行性和稳定性，并证明了理论上的保证迭代的性能。我们验证了所提出的方法在仿真和实验中的四旋翼稳定任务的数值例子。
2021-10-01 cs.RO cs.SY eess.SY
Team Orienteering Coverage Planning with Uncertain Reward
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能研究院）
许多市政当局和大型组织都有需要协调的车队，以执行垃圾回收或基础设施检查等任务。出于这一需要，本文重点讨论了常见的子问题，其中一个车队的车辆需要规划协调的路线，巡逻的迭代区域，同时最大限度地减少时间和空间相关的成本。特别地，在特定位置（例如，图上的顶点），我们假设成本以未知的速率在期望中线性增长，并且每当任何车辆访问顶点（表示服务于顶点的机器人）时，成本被重置为零。我们制定这个问题的图形术语，并称之为团队定向覆盖规划与不确定的回报（TOCPUR）。我们建议解决TOCPUR的同时估计在图上的每个顶点的累积成本，并解决一个新的变种的团队定向问题（TOP）迭代，我们称之为团队定向覆盖问题（TOCP）。我们提供了第一个混合整数规划制定的TOCP，作为一个显着的适应原来的TOP。我们引入了一个新的基准，由数百个随机生成的图比较不同的方法。我们提出的解决方案优于确切的TOP解决方案和贪心算法。此外，我们提供了一个演示我们的方法在一个团队的三个物理机器人在现实世界的环境。
2021-05-08 cs.RO
Learning of Robot Safety Policies via Adversarial Synthetic Scenarios
National Research Institute of Automation and Applied Mathematics（国家自动化与应用数学研究所）
提出一个基于对抗性游戏的框架，通过红蓝两队对抗生成危险场景并迭代优化安全策略，以高效发现高风险边缘案例。
2026-06-04 cs.AI cs.RO
