Application of Log-Linear Dynamic Inversion Control to a Multi-rotor
本研究针对多旋翼系统的非线性控制问题，提出基于李群对数线性化与牛顿-欧拉方程的精确线性误差动力学模型，结合新型对数线性动态逆控制器并通过LMI约束跟踪误差，实现了有界扰动下的安全轨迹跟踪。
2024-09-17 cs.SY eess.SY
Control of Fully Actuated Aerial Vehicles: A Comparison of Model-based and Sensor-based Dynamic Inversion
Professorship of Autonomous Aerial Systems, School of Engineering and Design, Technical University of Munich（自主航空系统教授职位，工程与设计学院，慕尼黑技术大学）
本文比较了模型驱动和传感器驱动动态逆控制器在全驱动六旋翼上的性能，发现传感器驱动在参数不匹配、风扰和传感器退化时表现更优，但在控制频率降低时模型驱动更佳。
2026-05-12 cs.RO cs.SY eess.SY
Certified Feedforward Tracking for Unknown Nonlinear Systems via Invertible Neural Networks
University of Minnesota–Twin Cities（明尼苏达大学双城分校）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）
该研究针对部分状态测量下未知非线性系统的周期跟踪问题，采用可逆神经网络规避非凸逆问题，结合共形预测提供跟踪误差概率保证，在直流电机驱动机械负载上验证了方法有效性。
2026-08-10 cs.LG cs.SY eess.SY
Accurate Tracking of Aggressive Quadrotor Trajectories using Incremental Nonlinear Dynamic Inversion and Differential Flatness
Massachusetts Institute of Technology (MIT)（麻省理工学院）
本文提出了一种新的控制律，用于跟踪四旋翼的位置、偏航角及其至四阶导数，包括速度、加速度、加加速度和加加加速度以及偏航速率和偏航加速度。通过基于四旋翼动力学的微分平坦性，使用前馈输入跟踪加加速度和加加加速度。通过闭环电机速度控制，直接控制机体扭矩以实现加加加速度跟踪。控制器利用增量非线性动态逆反（INDI）在外部干扰如空气动力学阻力的情况下实现对线性和角加速度的鲁棒跟踪。通过响应分析严格分析所提出的控制律，并通过实验演示。控制器使四旋翼无人机能够跟踪复杂的3D轨迹，达到最高12.9 m/s的速度和2.1g的加速度，同时保持均方根跟踪误差仅为6.6 cm，在约18m×7m×3m的飞行体积内。此外，通过在飞行测试中附加拖板和在悬停时拉拽无人机来演示控制器的鲁棒性。
2020-06-07 cs.RO cs.SY eess.SY
Physics-guided neural networks for inversion-based feedforward control applied to hybrid stepper motors
针对混合式步进电机逆动力学模型精度限制前馈跟踪性能的问题，提出物理引导神经网络控制器以学习并补偿寄生力，实验证明其平均绝对跟踪误差优于传统基准。
2023-06-22 cs.SY eess.SY
Iterative Machine Learning for Output Tracking
U. of Washington（华盛顿大学）
本文提出基于核的方法的迭代机器学习用于输出跟踪，通过迭代更新模型和基于模型的输入，结合持续激励的增强输入提升学习效果。
2017-06-08 cs.SY eess.SY
Physics-Guided Neural Networks for Inversion-based Feedforward Control applied to Linear Motors
半导体制造中不断提高的吞吐量要求以更高的加速度运行高精度机电一体化设备，例如直线电机。这反过来又产生了工业前馈控制器无法处理的更高的非线性寄生力。出于这个问题，在本文中，我们开发了一个通用的框架，基于逆的前馈控制器设计使用物理指导神经网络（PGNNs）。与黑盒神经网络相比，所开发的PGNNs在输入层和隐藏层中嵌入了先验物理知识，从而提高了训练收敛性和对潜在物理定律的学习。基于PGNN逆的前馈控制框架在工业直线电机上进行了仿真验证，在仿真中，它实现了比质量加速度前馈小20倍的平均跟踪误差。
2021-03-10 cs.SY eess.SY
Algebraic Control: Complete Stable Inversion with Necessary and Sufficient Conditions
针对非最小相位、非方阵及奇异系统，本文给出稳定逆的充要条件，并提出基于 H-Infinity 的代数逼近与结合双重前馈的鲁棒反馈控制，数值比较验证了其有效性。
2025-08-29 cs.SY eess.SY math.OC
Recurrent Neural Network Control of a Hybrid Dynamic Transfemoral Prosthesis with EdgeDRNN Accelerator
Institute of Neuroinformatics, University of Zurich（苏黎世大学神经信息学研究所）；ETH Zurich（苏黎世联邦理工学院）；California Institute of Technology（加州理工学院）
下肢假肢可以提高截肢者的生活质量，增加舒适度和减少能量移动，但目前的控制方法是有限的，在调节行为的基础上，人类的经验。本文介绍了学习复杂的控制器的动力机器人辅助设备的第一步。我们提供了行为克隆的第一个例子，使用基于门控递归单元（GRU）的递归神经网络（RNN）在利用时间稀疏性的自定义硬件加速器上运行来控制动力经股动脉假体。RNN在从原始假肢控制器收集的数据上进行训练。RNN推理由一种新的EdgeDRNN加速器实时实现。实验结果表明，RNN可以代替标称PD控制器，实现AMPRO3假肢在平地和不可预见斜坡上行走的端到端控制，并具有相当的跟踪精度。EdgeDRNN计算RNN的速度比实时快240倍，这为未来运行更大的网络来执行更复杂的任务提供了可能性。在这个具有影响的实时动力系统上实现RNN，为将人类假肢系统的其他学习元素纳入假肢控制奠定了基础。
2020-07-28 cs.RO cs.SY eess.SP
Dynamic Input Mapping Inversion to Eliminate Algebraic Loops in Hydraulic Actuator Control
DTU（丹麦技术大学）
本文提出了一种非线性控制架构，通过动态输入映射反向模块消除液压执行器控制中的代数环，实现鲁棒的高跟踪性能并避免振荡问题。
2026-01-05 cs.SY eess.SY
Non-Linear Dynamic Inversion with Actuator Dynamics: an Incremental Control Perspective
本文针对一阶线性执行器的非线性系统，推导了一种基于传感器的非线性动态逆（NDI）控制律，并与近年来流行的增量式非线性动态逆（INDI）进行了比较。结果表明，对于一阶执行器动态，INDI逼近相应的NDI控制律任意以及足够快的执行器的条件下。如果致动器带宽与状态变化相比较低，则导出的NDI控制律与INDI相比具有以下优点：1）补偿状态导数项; 2）良好定义的误差动态;以及3）精确跟踪参考模型，与标称条件下的误差控制器增益无关。INDI控制律与成熟的控制设计方法NDI的比较增加了对增量控制的理解。它还示出了如何量化的INDI控制法的不足之处，相对于精确的NDI法的致动器与有限的带宽。通过对某固定翼飞机滚转运动的仿真结果验证了上述结论。
2022-11-25 cs.SY eess.SY
Robust Translational Force Control of Multi-Rotor UAV for Precise Acceleration Tracking
Seoul National University（首尔大学）
针对多旋翼无人机的三维加速度精确控制问题，提出了一种基于干扰观测器（DOB）的力干扰消除平移力控制方法。多旋翼的加速度控制需要将期望的加速度信号转换为期望的滚转、俯仰和总推力。但由于姿态动力学和推力动力学的不同，简单的运动学信号转换，而不考虑这些差异会导致严重的性能下降，在加速度跟踪。与大多数现有的平移力控制技术是基于这样简单的反演，我们的新方法允许控制多转子的加速度更精确地考虑多转子的动力学过程中的运动反演。通过将DOB与包括改进的转换技术的平移力系统相结合，我们实现了对阻碍精确加速度控制的外力干扰的鲁棒性。考虑各种可能的模型不确定性的组合效应，执行μ分析以确保整个闭环系统的鲁棒稳定性。通过仿真和实验验证了该方法的有效性，证明了该方法能够有效地跟踪多转子系统的期望加速度。
2019-08-14 cs.RO cs.SY eess.SY
Stable Inversion of Piecewise Affine Systems with Application to Feedforward and Iterative Learning Control
本文针对分段仿射（PWA）系统提出闭式逆公式与稳定求逆方法，证明解的存在唯一性并给出计算方法，还结合迭代学习控制（ILC）在打印头定位系统仿真中验证了其前馈控制的有效性与实用性。
2024-04-15 cs.SY eess.SY
Global Incremental Flight Control for Agile Maneuvering of a Tailsitter Flying Wing
Massachusetts Institute of Technology（麻省理工学院）
提出了一种新的控制律，用于精确跟踪敏捷轨迹使用尾坐式飞翼无人机（UAV）之间的垂直起降（VTOL）和前飞过渡。全局控制公式能够在整个飞行包线内进行机动飞行，包括有侧滑的非协调飞行。微分平坦的非线性尾座动力学与简化的空气动力学模型。使用平坦度变换，所提出的控制器包括跟踪的位置参考以及其衍生物的速度，加速度和加加速度，以及偏航参考和偏航率。通过角速度前馈项包含加加速度和偏航率参考，改进了对具有快速变化的加速度的轨迹的跟踪。该控制器不依赖于广泛的空气动力学建模，而是使用增量非线性动态逆（INDI）计算控制更新的基础上，只有一个本地的输入输出关系，从而对简化的空气动力学方程的差异的鲁棒性。通过导出的平坦度变换，实现了非线性输入输出关系的精确反演。由此产生的控制算法在飞行测试中得到了广泛的评估，在飞行测试中，它展示了精确的轨迹跟踪和具有挑战性的敏捷机动，例如侧向飞行和转弯时的激进过渡。
2022-07-26 cs.RO cs.SY eess.SY
Nonlinear Incremental Control for Flexible Aircraft Trajectory Tracking and Load Alleviation
提出了一种柔性飞行器同时进行轨迹跟踪和载荷减缓的非线性控制结构。通过利用控制冗余，阵风和机动载荷减轻而不降低刚体指令跟踪性能。所提出的控制结构包含四个级联的控制回路：位置控制，飞行路径控制，姿态控制和最优多目标机翼控制。由于位置运动学不受模型不确定性的影响，非线性动态逆控制应用。相反，飞行轨迹动力学受到模型不确定性和大气扰动的影响，因此采用增量式滑模控制。基于李雅普诺夫的分析表明，该方法可以同时减少传统的滑模控制方法的模型依赖性和最小可能的增益。此外，姿态动力学是严格反馈形式的，因此采用增量反推滑模控制。此外，一个新的负载参考发生器的设计，以区分必要的负载执行机动从过量的负载。载荷参考由内环最优机翼控制器实现，而过量载荷由襟翼自然化而不影响外环跟踪性能。在空间冯卡门湍流场中的轨迹跟踪任务和阵风载荷减缓任务验证了所提出的控制结构的优点。
2021-01-03 cs.SY eess.SY
Full-Pose Tracking via Robust Control for Over-Actuated Multirotors
ONERA（法国国家航空航天研究中心）
本文提出一种结合INDI与结构化H_inf控制的鲁棒级联架构，采用加权最小二乘优化分配实现过驱动多旋翼的全姿态跟踪，并通过六旋翼仿真验证其有效性。
2025-06-19 cs.RO cs.SY eess.SY
Structured Learning for Electromagnetic Field Modeling and Real-Time Inversion
ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文提出基于多层感知机的结构化学习方法，用于高精度电磁场建模与实时反演，实现了快速闭合形式的最小范数反演，提升了复杂系统中的磁控制性能。
2026-09-24 cs.SY eess.SY
High-bandwidth nonlinear control for soft actuators with recursive network models
University of Colorado Boulder（科罗拉多大学博尔德分校）；Cornell University（康奈尔大学）
我们提出了一种高带宽，轻量级，非线性输出跟踪技术的软执行器，结合简约的递归层的前向输出预测和在线优化使用牛顿-拉夫森。与传统的RNN模型相比，这种技术可以减少模型大小并增加控制回路频率。该控制器的原型上的一个单一的软致动器与软位置传感器的实验结果表明，有效的跟踪参考的空间轨迹和拒绝的机械和电磁干扰。这些通过使用全连接（FC）子结构的均方根路径跟踪误差（RMSE）为1.8mm、使用门控递归单元（GRU）的均方根路径跟踪误差为1.62mm以及使用长短期记忆（LSTM）单元的均方根路径跟踪误差为2.11mm来证明，所有这些均在三个任务上平均。在这些型号中，最高的闪存要求是2.22 kB，使控制器和执行器的共同位置。
2021-01-04 cs.AI cs.NA cs.RO
Rigid-Body Attitude Control on $\mathsf{SO(3)}$ using Nonlinear Dynamic Inversion
本文提出一种直接在SO(3)旋转矩阵上工作的非线性动态逆级联姿态控制器，避免欧拉角等表示的奇异性和非唯一性问题，并给出LMI稳定性条件，仿真验证其优于基于欧拉角的NDI方案。
2024-09-04 cs.SY eess.SY math.OC
Hybrid Systems, Iterative Learning Control, and Non-minimum Phase
混杂系统在过去的几十年中已经稳步增长的普及，因为他们简化了建模复杂的非线性系统的任务。腿部运动、机器人操纵和增材制造是受益于混合建模的系统的代表性示例。它们也是重复过程的主要例子;步行中的步态周期，机器人操作中的产品装配任务，以及增材制造中的材料沉积。因此，他们也将大大受益于迭代学习控制（ILC），一类前馈控制器的重复系统，实现高性能的输出参考跟踪从过去的过程周期的错误学习。然而，文献是缺乏ILC合成的混合模型。本论文的主要目的是为确定性离散混杂系统，即分段定义（PWD）系统，提供一种广泛适用的迭代学习控制理论。总之，本论文解决的三个主要差距是：（1）现有的混合建模框架和迭代学习控制合成技术之间缺乏兼容性，（2）基于牛顿法的迭代学习控制（NILC）在具有不稳定逆的系统中失败，以及（3）缺乏分段仿射（PWA）系统（PWD系统的子集）的逆和稳定逆理论。这些问题的解决（1）开发一个封闭形式的PWD系统的表示，（2）开发一个新的ILC框架通知NILC，但新的能力，将稳定模型反演技术，和（3）推导出传统的和稳定的模型反演理论PWA系统。
2021-08-08 cs.SY eess.SY
Online-Learning Deep Neuro-Adaptive Dynamic Inversion Controller for Model Free Control
Missouri University of Science and Technology（密苏里科技大学）
自适应方法在控制文献中很受欢迎，因为它们在建模领域提供了灵活性和容错性。神经网络自适应控制特别有利于机器学习算法逼近未知函数的强大特性和放松传统自适应控制内的某些约束的能力。深度神经网络是一种大型框架网络，其近似特性远远优于浅层网络。然而，由于尺寸特定的复杂性，例如训练中的消失/爆炸梯度，实现深度神经网络可能很困难。在本文中，实现了一种神经自适应控制器，其特征在于在新的权重更新律上训练的深度神经网络，该权重更新律通过仅结合梯度的符号来避免消失/爆炸梯度问题。设计的控制器类型是一个自适应动态逆控制器，利用修改后的状态观测器在二级估计回路训练网络。深度神经网络在线学习整个工厂模型，创建完全无模型的控制器。通过对一个两连杆平面机器人手臂的仿真，证明了该控制器能够快速学习非线性对象，并在跟踪控制问题中表现出良好的性能。
2021-07-21 cs.LG cs.RO cs.SY
Tracking Through Decoupling Singularities: A Singularity-Robust Homotopy-Continuation Extension of Feedback Linearization
针对方形非线性控制仿射系统在解耦奇点处反馈线性化失效问题，提出将跟踪转化为实时弧长同伦延拓的奇点鲁棒轨迹跟踪控制器，通过特定矩阵和条件实现有界控制跟踪，经仿真验证了其有效性。
2026-09-15 cs.RO cs.SY eess.SY
