Test Bench Study on Attitude Estimation in Ground Effect Region Based on Motor Current for In-Flight Inductive Power Transfer of Drones
针对无人机飞行中感应充电时的近地姿态控制问题，本文提出仅利用电机电流同时估计高度与俯仰角的方法，仿真实验验证精度分别达0.30 m和0.04 rad，并确保传输效率不低于95.3%。
2023-10-26 cs.RO cs.SY eess.SY
AirPilot: Interpretable PPO-based DRL Auto-Tuned Nonlinear PID Drone Controller for Robust Autonomous Flights
University of California, Irvine（加利福尼亚大学欧文分校）
AirPilot提出一种基于PPO的深度强化学习自动调参非线性PID无人机控制器，在仿真和真实环境中将导航误差降低90%，导航速度提升21%，并减少稳定时间和超调量。
2025-01-21 cs.LG cs.RO cs.SY
Learning Hybrid Policies for MPC with Application to Drone Flight in Unknown Dynamic Environments
National Key Lab of Autonomous Intelligent Unmanned Systems, Beijing Institute of Technology（北京理工大学自主智能无人系统全国重点实验室）；Beijing Institute of Technology Chongqing Innovation Center（北京理工大学重庆创新中心）；Department of Control Science and Engineering, Tongji University（同济大学控制科学与工程系）
针对未知动态环境下MPC参数敏感的问题，提出hyMPC参数化方法，通过策略搜索训练高斯策略并由神经网络实时输出决策变量，在无人机穿越摆动门测试中达到100%成功率。
2024-01-25 cs.RO cs.SY eess.SY
Ground and Flight Locomotion for Two-Wheeled Drones via Model Predictive Path Integral Control
Nagoya Institute of Technology（名古屋工业大学）；Nagoya University（名古屋大学）
针对传统两轮无人机运动规划依赖梯度优化、难以处理任意形状障碍物的问题，提出基于MPPI控制的多模式运动规划方法，通过切换控制空间与引入辅助控制器解决模式切换不稳定问题，实现非结构化环境下的有效避障导航。
2025-03-20 cs.RO cs.SY eess.SY
An Overview of the Drone Open-Source Ecosystem
Optimum Semiconductor Technologies Inc.（Optimum Semiconductor Technologies 公司）；University of Science and Technology Beijing（北京科技大学）
能够进行超视距操作的无人机系统可以被组织成一个自上而下的层次结构，包括飞行监督、指挥和控制、系统仿真、操作系统和物理硬件。飞行监管包括无人驾驶空中交通管理、飞行计划、授权和远程识别。指挥和控制确保无人机可以安全驾驶。系统仿真关注无人机如何对不同的环境做出反应，以及不断变化的条件和信息如何为驾驶系统提供输入。通常使用操作系统来访问控制无人机操作的电子硬件。层次结构中的每一层都有一个开源解决方案的生态系统。在这个简短的调查中，我们描述了层次结构中每个级别的代表性开源示例。
2021-10-05 cs.RO cs.SY eess.SY
Towards Safe Reinforcement Learning with Reduced Conservativeness: A Case Study on Drone Flight Control
KTH Royal Institute of Technology（皇家理工学院）；University of Copenhagen（哥本哈根大学）
该研究提出一种降低形式化方法保守性的安全强化学习框架，通过zonotopic可达性分析保障实时安全，经无人机峡谷飞行验证，可在确保安全的同时提升控制器在线训练的探索性。
2026-08-28 cs.SY eess.SY
Commande hybride d' un drone convertible pour des déplacements sous optimaux
无论是机动性、自主性还是人机工程学，可转换无人机都代表着许多利益，这意味着那些能够垂直起飞或降落并像飞机一样飞行的无人机。然而，它们的动力学是复杂的各种现象，如非线性，气动耦合或大量的自由度，它是必要的，使用新的控制工具。因此，混合控制变得至关重要，在进行二元选择时非常有用。由于无人机能够以两种方式移动，即伪静止飞行和水平飞行，因此出现了根据操作环境，命令相对于另一个命令的相关性的问题。这个问题是回答了两个非线性控制律的设计，基于李雅普诺夫函数，允许验证的要求。因此，根据配置，混合机构将必须选择适当的飞行模式。最后，为了在真实条件下飞行，已经开始实施。
2022-03-29 cs.SY eess.SY
Safe Drone Flight with Time-Varying Backup Controllers
California Institute of Technology（加州理工学院）
小型飞行器的重量、空间和功率的限制常常阻碍了现代控制技术的应用，而没有显著的模型简化。此外，高速敏捷的行为，如在无人机比赛中展示的，使这些简化的模型对于安全关键控制来说太不可靠。在这项工作中，我们引入了随时间变化的备份控制器（TBCs）的概念：用户指定的机动与备份控制器相结合，生成参考轨迹，保证安全的非线性系统。与传统的备用控制器相比，TBC减少了保守性，可以直接应用于多代理协调以保证安全。从理论上讲，我们提供的条件下，TBCs严格减少保守性，描述如何切换几个TBC的，并显示如何嵌入TBCs在多代理设置。在实验中，我们验证了TBCs安全地增加操作自由度时，过滤飞行员的行动，并表现出鲁棒性和计算效率时，适用于分散的安全过滤的两个四旋翼。
2022-07-11 cs.RO cs.SY eess.SY
Flexible Computation Offloading at the Edge for Autonomous Drones with Uncertain Flight Times
University of Thessaly（色萨利大学）
针对资源受限的无人机与边缘服务器计算卸载问题，提出一种动态去中心化的协议与资源预留方案，使无人机自主决定是否卸载计算任务，实验证明该方法显著缩短了任务时间并优于多种基线策略。
2023-10-18 cs.RO cs.SY eess.SY
Enhancing Multirotor Drone Efficiency: Exploring Minimum Energy Consumption Rate of Forward Flight under Varying Payload
University of California, Davis（加利福尼亚大学戴维斯分校）
本文基于第一性原理能量模型，通过解析推导与数值验证证明：多旋翼在不同载荷质量下以最优速度前飞时，单位质量单位距离能耗的最小值为常数，为能效优化与航时航程提升提供依据。
2025-01-06 cs.RO cs.SY eess.SY
An Application of Model Reference Adaptive Control for Multi-Agent Synchronization in Drone Networks
本文提出分布式模型参考自适应控制策略，用于无人机网络的多智能体鲁棒同步，通过实时参数更新减少能耗并延长运行时间，实验证明其在垂直速度控制上优于经典PID控制器。
2024-06-30 cs.SY eess.SY
Coordinated Incremental Trajectory Tracking of a Tailsitter Drone
Faculty of Aerospace Engineering, Delft University of Technology（代尔夫特理工大学航空航天工程学院）
研究倾转旋翼无人机协同飞行的轨迹跟踪，基于简化空气动力学模型推导解析微分平坦变换，用旋转矩阵避免欧拉角模糊性，扩展控制器适用性，经实验验证在特定飞行状态的优势。
2026-07-14 cs.RO cs.SY eess.SY
Aerobat, A Bioinspired Drone to Test High-DOF Actuation and Embodied Aerial Locomotion
California Institute of Technology（加州理工学院）；Northeastern University（东北大学）
这项工作提出了一个驱动框架的仿生扑翼无人机称为Aerobat。这款无人机拥有14个身体关节，能够产生动态多功能的机翼构型，并且没有尾翼。因此，在我们的机器人中，与开环稳定且没有明显变形特性的主流扑翼设计不同，驱动和闭环反馈设计可能会带来重大挑战。我们提出了一个框架的基础上集成机械智能和控制。在这种设计框架中，由几个称为引物的微小低功率致动器领导的小调整可以产生重要的飞行控制作用，这是由于机器人的计算结构。由于它们重量轻得令人难以置信，该系统可以容纳大量引物。在这项工作中，我们的目的是显示在Aerobat的无绳系飞行关节的运动调节的可行性。
2022-12-10 cs.RO cs.SY eess.SY
Onboard Safety Guarantees for Racing Drones: High-speed Geofencing with Control Barrier Functions
California Institute of Technology（加州理工学院）
本文详细介绍了实际确保遥控竞赛无人机安全的理论和实现。我们仅利用10克微控制器上的在线计算，在7”竞速无人机上以超过100 km/h的速度展示了强大而实用的安全保证。为了实现这一目标，我们利用框架的控制障碍函数（CBF），保证安全编码为前向集不变性。为了使这种方法实际上适用，我们提出了一个隐式定义的CBF，它利用备份控制器，使梯度的评估，确保安全。应用于硬件的方法可以平滑地、最小限度地保守地改变飞行员的期望输入，使他们能够突破无人机的极限，而不必担心坠毁。此外，该方法与预先存在的飞行控制器一起工作，从而在附近没有安全风险时保持不变的飞行。其他好处包括无人机在失去视线或无线电故障时的安全性和稳定性。
2022-01-12 cs.RO cs.SY eess.SY
Low-cost adaptive obstacle avoidance trajectory control for express delivery drone
本文针对快递无人机避障轨迹控制问题，提出一种低成本、可适配不同轴距的非线性自适应学习控制器，结合非线性变增益与极值搜索算法以抑制超调和缩短调节时间，并通过仿真验证其在典型无碰撞轨迹下的有效性。
2024-03-29 cs.SY eess.SY
Unsupervised Maneuver-Aware Acoustic Fault Detection for Autonomous Drones
Carleton University（卡尔顿大学）；University of Alberta（阿尔伯塔大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出一种无监督机动感知声学故障检测框架，结合Noise2Noise去噪与机动条件自编码器，利用重建误差检测无人机故障，并在嵌入式平台上实现实时检测。
2026-10-08 cs.SD cs.SY eess.SY
Bio-inspired Autonomous Exploration Policies with CNN-based Object Detection on Nano-drones
University of Bologna（博洛尼亚大学）；KU Leuven（荷语鲁汶大学）；Dalle Molle Institute for Artificial Intelligence（达尔·莫勒人工智能研究所）；ETH Zürich（苏黎世联邦理工学院）
具有手掌大小形状因子的纳米尺寸无人机在物联网生态系统中越来越重要。为复杂的多目标任务实现高度自主性（例如，安全飞行、探测、目标检测）对于机载芯片组来说是极具挑战性的，这是由于严格限制存储器和计算的紧凑尺寸、有效载荷（<10 g）和功率包络约束。我们的工作通过将生物启发的导航策略（依赖于飞行时间距离传感器数据）与基于视觉的卷积神经网络（CNN）相结合来解决这个复杂的问题，用于目标检测。我们经过现场验证的纳米无人机配备了两个微控制器单元（MCU），一个用于安全导航和勘探策略的单核ARM Cortex-M4（STM 32），以及一个用于机载CNN推理的并行超低功耗八核RISC-V（GAP 8），功率包络仅为134 mW，包括图像传感器和外部存储器。目标检测任务在现场收集的数据集上实现了50%的平均精度（以1.6帧/秒）。我们比较了四种生物启发的探索策略，并确定了一种伪随机策略，以在3分钟的飞行中在~36m^2的未知房间中实现83%的最高覆盖面积。通过将检测CNN和探索策略相结合，我们在从未见过的环境中对六个目标对象的平均检测率为90%。
2023-02-01 cs.RO cs.SY eess.SY
GPS-Denied Navigation Using Low-Cost Inertial Sensors and Recurrent Neural Networks
Cairo University（开罗大学）
无人机的自主任务需要对无人机的姿态、速度和位置进行连续可靠的估计。传统上，通过将扩展卡尔曼滤波器（EKF）应用于加速度计、陀螺仪、气压计、磁力计和GPS测量来估计这些状态。当GPS信号丢失时，位置和速度估计会迅速恶化，特别是在使用低成本惯性传感器时。本文提出了一种估计方法，使用递归神经网络（RNN），允许可靠的估计无人机的位置和速度在没有GPS信号。RNN是在使用Pixhawk收集的公共数据集上训练的。这种低成本的商业自动驾驶仪记录原始传感器测量（网络输入）和相应的EKF估计（地面实况输出）。该数据集由548个不同的飞行日志组成，飞行时间从4分钟到32分钟不等。培训使用了465次飞行，共计45小时。其余83次飞行共计8小时，等待验证。单次飞行中的误差被认为是RNN预测（没有GPS）和地面实况（EKF与GPS）之间的3D位置（MPE）的最大绝对差。在验证集上，中值MPE为35米。使用所提出的方法可以在5分钟的飞行中实现低至2.7米的MPE值。90%的验证飞行的MPE在166米以下。该网络进行了实验测试，并实时工作。
2021-09-10 cs.RO cs.SY eess.SP
Flight Controller Synthesis Via Deep Reinforcement Learning
Boston University Graduate School of Arts and Sciences（波士顿大学文理研究生院）；University of Rhode Island（罗德岛大学）；Stevens Institute of Technology（史蒂文斯理工学院）
传统的控制方法是不够的，在许多部署设置涉及控制的网络物理系统（CPS）。在这种情况下，CPS控制器必须运行并响应不可预测的交互、条件或故障模式。处理这种不可预测性需要使用执行和认知控制功能，允许规划与推理。受无人机竞赛运动的启发，本文通过研究使用深度神经网络来构建低级别飞行控制器，从而解决了这些问题。本论文报告的开发和发布的开源，完整的解决方案堆栈构建神经飞行控制器。该堆栈包括用于构建多旋翼数字孪生的方法，用于合成特定飞机特有的飞行控制器，用于实现训练环境（GymFC）的调整框架，以及用于世界上第一个神经网络支持的飞行控制器（Neuroflight）的固件。GymFC的新方法将飞行控制训练的数字孪生范例融合在一起，以提供无缝传输到硬件。此外，本文还研究了替代奖励系统的功能，以及软件环境的变化，以弥合模拟和现实世界的部署环境之间的差距。本论文的工作总结表明，强化学习是能够利用训练神经网络控制器的能力，不仅保持稳定的飞行，但也精确的特技飞行在现实世界中的设置。因此，这项工作为开发下一代飞行控制系统提供了基础。
2019-09-14 cs.AI cs.LG cs.RO
A Robust Neural Control Design for Multi-drone Slung Payload Manipulation with Control Contraction Metrics
Flight Systems and Control Lab, Institute for Aerospace Studies, University of Toronto（飞行系统与控制实验室，航空航天研究学院，多伦多大学）
针对三无人机吊挂载荷运输系统的扰动下路径跟踪问题，提出结合CCM神经基线控制器与UDE扰动补偿的模块化鲁棒控制框架，理论证明稳定性并通过仿真验证复杂轨迹跟踪能力。
2025-10-01 cs.RO cs.SY eess.SY
Time-Optimal Planning for Quadrotor Waypoint Flight
University of Zurich（苏黎世大学）
四旋翼飞行器是最敏捷的飞行机器人之一。然而，规划时间最优的轨迹在驱动限制通过多个航路点仍然是一个悬而未决的问题。这对于检查、交付、搜索和救援以及无人机竞赛等应用至关重要。早期的作品使用多项式轨迹公式，不充分利用致动器的潜力，因为其固有的光滑性。最近的作品诉诸数值优化，但需要在特定的离散时间分配的成本或约束的航点。然而，这种时间分配是一个先验未知的，使以前的作品无法产生真正的时间最优的轨迹。为了产生真正的时间最优轨迹，我们提出了一个解决方案的时间分配问题，同时利用全四旋翼的致动器的潜力。我们实现这一点，通过引入一个配方的进展沿轨迹，这使得同时优化的时间分配和轨迹本身。我们将我们的方法与相关方法进行比较，并在世界上最大的运动捕捉系统之一的真实飞行中进行验证，在无人机竞赛任务中，我们的表现优于人类专家无人机飞行员。
2021-10-01 cs.AI cs.RO cs.SY
Quaternion-Based Sliding Mode Control for Six Degrees of Freedom Flight Control of Quadrotors
Autonomous Vehicles Laboratory, Department of Aerospace Engineering, Toronto Metropolitan University（自主车辆实验室，航空航天工程系，多伦多 Metropolitan 大学）
本文提出基于四元数的六自由度滑模控制方法，通过级联架构提升四旋翼飞行控制的稳定性和效率。
2025-12-03 cs.RO cs.SY eess.SY
Learning Robust Agile Flight Control with Stability Guarantees
Autonomous Aerial Systems Lab, Dep. of Aerospace and Geodesy, TU Munich（自主空中系统实验室，航空航天与大地测量系，慕尼黑技术大学）
本文提出一种神经增强反馈控制器，统一现有控制范式优势，实现超越执行器极限的精确轨迹跟踪，提供通用稳定性保证，并支持无需微调的仿真到现实直接部署。
2025-10-14 cs.RO cs.SY eess.SY
Deep Reinforcement Learning for Time-Critical Wilderness Search And Rescue Using Drones
University of Glasgow（格拉斯哥大学）；School of Engineering（工程学院）；Aerospace Sciences Research Division（航空航天科学研究部）
本文提出利用深度强化学习结合先验概率分布图优化无人机荒野搜索路径，并通过cubature引入连续动作空间，实验显示其搜索效率比传统算法提升超过160%。
2024-05-22 cs.LG cs.RO cs.SY
Mid-flight Propeller Failure Detection and Control of Propeller-deficient Quadcopter using Reinforcement Learning
Indian Institute of Science（印度科学院）
四轴飞行器可能在飞行中遭受螺旋桨损失，因此需要具有检测单个和多个螺旋桨故障的系统以及稳定螺旋桨不足的四轴飞行器的自适应控制器。本文提出了基于强化学习的四轴飞行器控制器与4，3，和2（相对）功能螺旋桨。本文还提出了一种基于神经网络的螺旋桨故障检测系统，以检测螺旋桨损失并切换到适当的控制器。仿真结果表明，一个稳定的四轴飞行器与有效的航路点跟踪的所有控制器。该检测系统能够在短时间内检测到螺旋桨故障并稳定四轴飞行器。
2020-07-06 cs.LG cs.RO cs.SY
Secure Safety Filter: Towards Safe Flight Control under Sensor Attacks
Department of Mechanical and Civil Engineering, California Institute of Technology（加州理工学院机械与土木工程系）；Secure Systems Research Center at Technology Innovation Institute（技术创新研究所安全系统研究中心）
针对传感器攻击威胁飞行安全的问题，提出由安全状态重构器与CBF安全滤波器组成的模块化secure safety filter，可处理有界噪声并适用于无人机非线性动力学，仿真与硬件实验验证了其安全保障效果。
2025-05-11 cs.RO cs.SY eess.SY
End-to-end Neural Network Based Quadcopter control
Delft University of Technology（代尔夫特理工大学）；European Space Agency（欧洲空间局）
针对四旋翼飞行器神经网络控制器的仿真现实差距与内环限制问题，提出端到端G&CNets与自适应力矩补偿策略，在能量最优性和鲁棒性上优于传统微分平坦性控制器。
2023-06-22 cs.RO cs.SY eess.SY
Soft Actor-Critic Deep Reinforcement Learning for Fault Tolerant Flight Control
Delft University of Technology（代尔夫特理工大学）
容错飞行控制面临挑战，因为为每个意外故障开发基于模型的控制器是不现实的，并且在线学习方法由于其低采样效率而只能处理有限的系统复杂性。在这项研究中，无模型耦合动力学飞行控制器的喷气式飞机能够承受多种故障类型的建议。离线训练的级联Soft Actor-Critic深度强化学习控制器在高度耦合的机动中取得了成功，包括协调的40度爬坡转弯，归一化平均绝对误差为2.64%。该控制器对-15 °方向舵卡死、副翼有效性降低70%、结构故障、结冰和重心后移等六种故障具有鲁棒性。当响应稳定且爬坡转弯成功完成时，换档。对有偏传感器噪声、大气扰动以及不同初始飞行条件和参考信号形状的鲁棒性也得到了证明。
2022-02-16 cs.LG cs.RO cs.SY
A Safety-Driven Architectural Framework for Fail-Operational Drone Swarms in Critical Missions
Mälardalen University（梅拉达伦大学）
针对安全关键操作中无人机集群的认证需求，提出结合SAE ARP4754B方法的混合关键度架构框架，通过硬件隔离的安全监控器实现飞行关键核心与集群管理器解耦，经马尔可夫建模可满足危险故障要求。
2026-08-24 cs.MA cs.RO cs.SY
Neuro-LIFT: A Neuromorphic, LLM-based Interactive Framework for Autonomous Drone FlighT at the Edge
Electrical and Computer Engineering, Purdue University（电子与计算机工程系，普渡大学）
提出 Neuro-LIFT 框架，结合 LLM 与神经形态视觉，在 Parrot Bebop2 无人机上实现实时、低延迟的自然语言交互导航与避障。
2025-04-26 cs.CV cs.LG cs.NE
