Robust and Agile Quadrotor Flight via Adaptive Unwinding-Free Quaternion Sliding Mode Control
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）
本文提出一种自适应无解绕四元数滑模控制框架，通过非光滑稳定性分析提供全局稳定性证明，在计算受限的纳米四旋翼上实现了鲁棒敏捷的飞行和高精度轨迹跟踪。
2025-08-07 cs.RO
From Tracking to Robust Maneuver Regulation: an Easy-to-Design Approach for VTOL Aerial Robots
Universitá del Salento（萨兰托大学）；CNRS（法国国家科学研究中心）；LAAS；Univ de Toulouse（图卢兹大学）
提出了一种垂直起降微型飞行器（MAV）的机动调节方案。与标准轨迹跟踪不同的是，机动调节具有固有的鲁棒性，这是因为车辆不需要追逐虚拟目标，而只是停留在具有给定速度分布的（适当设计的）期望路径上。在本文中，我们展示了如何一个强大的机动调节控制器可以很容易地设计转换现有的跟踪计划。所得到的机动控制器有三个主要的吸引人的功能，即它：（i）继承了跟踪控制器的鲁棒性，（ii）获得机动调节的吸引人的功能，和（iii）不需要任何额外的调整相对于跟踪控制器。我们证明了所提出的方案的正确性，并在实验中的纳米四旋翼显示其有效性。特别是，我们展示了一个非平凡的机动如何外部干扰作用于四旋翼导致不稳定的标准跟踪，而轻微影响的机动调节方案。
2016-10-05 cs.RO math.OC
Robust Active Visual Perching with Quadrotors on Inclined Surfaces
New York University, Tandon School of Engineering（纽约大学坦登工程学院）；DEVCOM Army Research Laboratory（美国陆军作战能力发展司令部陆军研究实验室）
无人驾驶微型飞行器被部署用于各种任务，包括监视和监控。栖息和凝视使飞行器能够在不飞行的情况下监视目标，节省电池电量并增加整体任务时间，而无需频繁更换电池。本文研究了主动视觉栖息（AVP）控制问题，以自主栖息在倾斜表面高达$90^\circ$。我们的方法生成动态可行的轨迹导航和栖息在所需的目标位置，同时考虑到致动器和视场（FoV）的约束。通过在飞行中的重新规划，我们利用更准确的目标定位，增加了栖息机动的目标定位或控制误差的鲁棒性。我们利用Karush-Kuhn-Tucker（KKT）条件，以确定规划目标和视觉感知约束之间的兼容性在计划的机动。此外，我们实验确定相应的边界条件，最大限度地提高了空间-时间目标的能见度在栖息机动。所提出的方法工程上的实时显着的计算限制完全依赖于相机和惯性测量单元（IMU）。实验结果验证了所提出的方法，并显示了更高的成功率，以及增加的目标拦截精度和准确性相对于一个单一的规划方法，同时仍然保持积极的能力与飞行包线，包括大的偏移从悬停位置上的倾斜表面高达90 $^\circ$，角速度高达750度/秒，和加速度高达10米/秒$^2$。
2023-02-01 cs.RO
Decentralized Control of Quadrotor Swarms with End-to-end Deep Reinforcement Learning
University of Southern California（南加州大学）
我们展示了学习无人机群控制器的可能性，这些控制器可以通过大规模多智能体端到端强化学习zero-shot转移到真正的四旋翼。我们训练由神经网络参数化的训练策略，这些神经网络能够以完全分散的方式控制群中的单个无人机。我们的策略在具有逼真四旋翼物理学的模拟环境中进行了训练，展示了先进的群集行为，在紧密编队中执行攻击性机动，同时避免相互碰撞，打破和重新建立编队以避免与移动障碍物碰撞，并有效地协调追捕-规避任务。我们分析，在模拟中，不同的模型架构和参数的训练制度如何影响神经群的最终性能。我们展示了成功部署的模型学习模拟高度资源受限的物理四旋翼执行站保持和目标交换行为。代码和视频演示可在项目网站https://sites.google.com/view/swarm-rl上获得。
2021-11-20 cs.RO
LiDAR-based Quadrotor for Slope Inspection in Dense Vegetation
University of Hong Kong（香港大学）；Geotechnical Engineering Office（土力工程处）；Civil and Engineering Development Department（土木工程拓展署）；The Government of Hong Kong SAR（香港特别行政区政府）
本研究开发了一套基于LiDAR的四旋翼无人机软硬件系统，用于在茂密植被环境中进行斜坡检测，并在多个实际现场实验中验证了其避障飞行与巡检的优越性。
2024-09-21 cs.RO
AutoCharge: Autonomous Charging for Perpetual Quadrotor Missions
New York University（纽约大学）；Technology Innovation Institute（技术创新研究所）
针对四旋翼续航瓶颈，本文提出结合便携式地面站、柔性轻质充电系绳、圆形磁性连接器与电磁铁的 AutoCharge 自主充电方案，并通过10小时持续飞行实验验证其可重复对接能力。
2023-06-08 cs.RO
Rapid Quadrotor Navigation in Diverse Environments using an Onboard Depth Camera
本研究提出一种基于前向弧运动原语和RGB-D观测历史的反应式规划器，用于在搜索救援等复杂环境中实现快速且安全的四旋翼导航，模拟和实地测试显示成功率提升24%。
2024-11-07 cs.RO
OmniRisk: Omnidirectional Trajectory-Risk Learning for Agile Quadrotor Dynamic Avoidance
Differential Robotics（微分机器人）；Zhejiang University（浙江大学）
OmniRisk提出全向轨迹风险学习框架，通过离线学习风险场和双分支卷积网络预测，实现四旋翼在高速动态障碍物环境中的高效机载避障，无需在线累积风险。
2026-09-22 cs.RO
NeuroBEM: Hybrid Aerodynamic Quadrotor Model
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
四旋翼飞行器非常灵活，事实上，经典的第一原理模型达到了极限。虽然在低速时气动力效应不明显，但在高速或敏捷机动时，气动力效应成为主要的模型缺陷。需要精确建模来设计鲁棒的高性能控制系统，并使飞行接近平台的物理极限。我们提出了一种混合方法融合第一原理和学习模型四旋翼及其空气动力学效应，具有前所未有的准确性。第一原理无法捕捉这种空气动力学效应，使得传统方法在用于仿真或控制器调整时不准确。数据驱动的方法试图通过黑盒建模（如神经网络）来捕捉空气动力学效应;然而，它们很难鲁棒地推广到任意飞行条件。我们的混合方法统一和优于第一原理叶片元素理论和学习剩余动力学。它是在世界上最大的运动捕捉系统之一进行评估的，使用的是速度高达65公里/小时的四旋翼飞行数据。由此产生的模型以惊人的精度捕获气动推力，扭矩和寄生效应，优于现有模型，预测误差减少50%，并显示出超出训练集的强大泛化能力。
2021-06-15 cs.RO
Aggressive Quadrotor Flight through Narrow Gaps with Onboard Sensing and Computing using Active Vision
University of Zurich（苏黎世大学）
我们解决了在复杂环境中自主四旋翼飞行的主要挑战之一，即通过狭窄的间隙飞行。虽然以前的工作依赖于非机载定位系统或间隙位置和方向的准确先验知识，但我们仅依赖于机载传感和计算，并通过将单个机载相机的间隙检测与IMU融合来估计完整状态。该问题由于两个原因而具有挑战性：（i）相对于间隙的四旋翼姿态不确定性随着距间隙的距离成二次方地增加;（ii）四旋翼必须主动地控制其朝向间隙的取向以实现状态估计（即，主动视觉）。我们通过生成考虑几何、动态和感知约束的轨迹来解决这个问题：在接近机动过程中，四旋翼始终面对间隙以允许状态估计，同时尊重车辆动力学;在穿过间隙期间，四旋翼到间隙边缘的距离最大化。此外，我们在其执行过程中重新规划的轨迹，以应付不同的不确定性的状态估计。我们成功地评估和证明所提出的方法在许多实际的实验。据我们所知，这是第一项工作，解决并实现自主，积极的飞行通过狭窄的差距，只使用机载传感和计算，而没有预先知道的差距的姿态。
2018-04-05 cs.RO
Wind and State Estimation on SE(3): Comparative Evaluation of EKF and UKF with Continuous and Discrete Quadrotor Models
University of Calgary（卡尔加里大学）
本研究在SE(3)上比较了离散和连续四旋翼动力学模型结合EKF与UKF进行风速估计的性能，结果表明离散模型与UKF组合在低成本传感器下能实现更高估计精度。
2026-07-01 cs.RO
Inclined Quadrotor Landing using Deep Reinforcement Learning
Delft University of Technology（代尔夫特理工大学）；Czech Technical University in Prague（布拉格捷克理工大学）
在倾斜表面上着陆四旋翼是一个具有挑战性的机动。任何倾斜着陆轨迹的最终状态都不是平衡状态，这就排除了大多数常规控制方法的使用。我们提出了一种深度强化学习方法来设计一个倾斜表面的自主着陆控制器。使用具有稀疏奖励的近端策略优化（PPO）算法和定制的课程学习方法，可以在标准笔记本电脑上在不到90分钟的时间内在模拟中训练倾斜着陆策略。然后，该策略直接在真正的Crazyflie 2.1四旋翼上运行，并在飞行竞技场中成功执行真正的倾斜着陆。单个策略评估需要大约2.5ms，这使得它适合于未来在四旋翼上的嵌入式实现。
2022-07-28 cs.LG cs.RO
Aggressive Online Control of a Quadrotor via Deep Network Representations of Optimality Principles
Delft University of Technology（代尔夫特理工大学）；European Space Agency（欧洲空间局）
最优控制具有极大的潜力，以改善各种机器人的应用。最优控制在有限平台上的应用受到当前技术实现的大计算需求的严重阻碍。在这项工作中，我们利用深度神经网络直接映射机器人的状态，以控制动作。该网络离线训练，以模仿由耗时的直接非线性方法计算的最优控制。时间最优性和功率最优性的混合被认为是与连续参数用于选择每个目标的优势。我们将我们的网络（称为G\&CNets）应用于积极的四旋翼控制，首先在仿真中，然后在现实世界中。我们深入了解的因素，影响“现实差距”的四旋翼模型使用的离线最优控制方法和真正的四旋翼。此外，我们解释了我们如何建立模型和控制结构上的真正的四旋翼成功地关闭这个差距，并在现实世界中执行时间最优机动。最后，G\&CNet的性能进行比较，以国家的最先进的微分平坦度为基础的最优控制方法。在实验中，我们表明，G\&CNets导致显著更快的轨迹执行，部分原因是允许的状态到输入映射的限制性较小。
2019-12-15 cs.RO
Shape-Adaptive Planning and Control for a Deformable Quadrotor
State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术状态重点实验室）；Huzhou Institute, Zhejiang University（浙江大学湖州市院）；Faculty of Robot Science and Engineering, Northeastern University（东北大学机器人科学与工程学院）
针对传统四旋翼在受限空间的局限，本文提出可变形四旋翼的形状自适应规划控制方法，结合变形动力学的kinodynamic A*规划、时空优化及增强控制策略，轨迹跟踪误差降37.3%，经仿真与实实验证了窄缝穿越等任务的有效性。
2025-05-21 cs.RO
Roller-Quadrotor: A Novel Hybrid Terrestrial/Aerial Quadrotor with Unicycle-Driven and Rotor-Assisted Turning
Zhejiang University（浙江大学）；School of Mechanical Engineering, Zhejiang University（浙江大学机械工程学院）；Robotics Institute of Zhejiang University（浙江大学机器人研究所）；Robotics Research Center of Yuyao City（余姚市机器人研究中心）；The State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
本研究提出滚轮四旋翼，一种结合空中机动与地面续航的混合无人机，通过独轮驱动与旋翼辅助转向实现节能，实验验证其无缝切换、穿越半直径间隙及显著提升续航与运行时间。
2023-06-27 cs.RO
APACE: Agile and Perception-Aware Trajectory Generation for Quadrotor Flights
School of Artificial Intelligence, Sun Yat-Sen University（中山大学人工智能学院）；Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology（香港科技大学电子与计算机工程学系）
提出APACE框架，在四旋翼激进飞行轨迹规划中考虑帧间特征匹配性，通过最大化共视特征并确保小视差角来提升视觉状态估计精度，实验显示RMSE最多降低一个数量级。
2024-03-13 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
Black-Box System Identification for Low-Cost Quadrotor Attitude at Hovering
University Mohamed Khider of Biskra（比斯克拉穆罕默德·希德尔大学）
本文针对低成本四旋翼悬停姿态控制需求，提出基于实验装置的黑箱系统辨识方法，通过传感器准备、建模、控制设计与验证等阶段准确描述四旋翼动力学，为动态模型微调提供有效方案。
2023-08-01 cs.RO cs.SY eess.SP
Aggressive Trajectory Generation for A Swarm of Autonomous Racing Drones
Zhejiang University（浙江大学）；Zhejiang University of Technology（浙江工业大学）；Northwestern Polytechnical University（西北工业大学）
自主无人机竞赛正在成为挑战四旋翼自主技术的绝佳平台，包括规划，导航和控制技术。然而，关于这个主题的大多数研究主要集中在单个无人机场景。在本文中，我们描述了一种新的时间最优轨迹生成方法，用于生成时间最优轨迹，使一群四旋翼飞行器以其最大机动性无碰撞地通过预定义的航路点。我们在Gazebo仿真中验证了该方法，其中5个四旋翼的群可以在35 m * 35 m的空间中以14 m/s的最高速度飞行通过复杂的6路点赛道。在4 m × 2 m的飞行平台上，对两个四旋翼飞行器进行了通过3个航路点的飞行试验，验证了该方法的可行性。仿真和实际飞行测试表明，该方法可以为一群自主竞赛无人机生成最优攻击轨迹。该方法也可以很容易地转移到其他类型的机器人群。
2023-03-01 cs.RO
AcroRL: Learning Aggressive Quadrotor Inversion using Bidirectional Thrust
Carnegie Mellon University（卡内基梅隆大学）；Shield AI
提出基于强化学习的框架，通过调制恒定参考轨迹实现紧凑位置约束的四旋翼翻转，在仿真中位置RMSE降低32%、稳定时间减少57%，硬件实验验证了多偏航配置下的翻转能力。
2026-11-05 cs.RO
Aggressive Visual Perching with Quadrotors on Inclined Surfaces
New York University（纽约大学）；U.S. Army Research Laboratory（美国陆军研究实验室）
自主微型飞行器（MAV）具有用于监视和监测任务的潜力。通过栖息和盯着一个或多个位置，空中机器人可以节省能源，同时增加他们的总任务时间，而不主动飞行。在本文中，我们解决的估计，规划和控制问题的自主栖息在倾斜的表面上，小四旋翼使用视觉和惯性传感。我们专注于规划和执行的动态可行的轨迹导航和栖息到所需的目标位置与船上的传感和计算。我们的规划还支持某些类的非线性全局约束，利用一个有效的算法，我们已经数学验证。机载摄像机和IMU同时用于状态估计和推断相对机器人/目标定位。所提出的解决方案在有限的计算单元上实时运行。实验结果验证了所提出的方法，通过处理具有飞行包线的攻击性栖息机动，包括从倾斜表面上的悬停位置到高达90 $^\circ$的大偏移，角速率高达600度/秒，加速度高达10米/秒^2。
2021-08-31 cs.RO
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
QUADFormer: Learning-based Detection of Cyber Attacks in Quadrotor UAVs
Southern University of Science and Technology（南方科技大学）；Hong Kong University of Science and Technology（香港科技大学）
针对四旋翼无人机在非高斯噪声和高非线性动力学下攻击检测困难的问题，本文提出基于 Transformer 的 QUADFormer 框架，通过残差生成与相关性差异学习实现高精度攻击检测，并在仿真和真实实验中验证了其优越性。
2024-06-14 cs.RO
Reinforcement Learning Trajectory Generation and Control for Aggressive Perching on Vertical Walls with Quadrotors
微型飞行器由于其相对较低的运行成本和在各种应用中的高度灵活性而被广泛研究和应用。研究了欠驱动四旋翼飞行器的停驻问题，设计了一种轨迹规划器和控制器，在状态空间中生成可行轨迹并驱动四旋翼飞行器到达期望状态。提出了一种四旋翼悬停轨迹生成与跟踪方法，该方法综合了强化学习控制器和传统控制器的优点。在仿真环境中，训练好的低层强化学习控制器将操纵四旋翼飞行器朝向停驻点。一旦仿真的四旋翼飞机成功停驻，仿真中的相对轨迹信息将被发送到真实四旋翼飞机上的跟踪控制器，并开始实际的停驻任务。通过训练的强化学习控制器生成可行轨迹需要更少的时间，并且传统的轨迹跟踪控制器可以容易地修改以控制四旋翼并且数学地分析其稳定性和鲁棒性。我们表明，这种方法允许的轨迹和控制器的控制结构，使这种侵略性的机动栖息在垂直表面上具有高精度。
2021-03-04 cs.RO cs.SY eess.SY
Towards Time-Optimal Tunnel-Following for Quadrotors
Technical University of Munich（慕尼黑工业大学）
在受限和动态环境中的最短时间导航在机器人技术中具有特殊意义。寻求时间最优性，同时保证时变空间边界的完整性，是敏捷飞行器（如四旋翼）的一个有吸引力的权衡。最先进的方法，要么假设边界是静态的，并离线生成时间最优轨迹，或妥协的时间最优约束满足。利用非线性模型预测控制和四旋翼模型的路径参数重构，我们提出了一个实时控制，近似时间最优的行为，并保持在动态走廊。该方法的有效性进行评估，根据模拟结果，显示自己能够执行非常积极的机动，以及停止和去和向后的运动。
2022-06-03 cs.RO cs.SY eess.SY
Multi-Task Reinforcement Learning for Quadrotors
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；Robotics and Perception Group（机器人与感知组）
本文提出一种基于多评论家架构和共享任务编码器的多任务强化学习框架，利用四旋翼共享物理动力学提升样本效率，实现高速稳定、速度跟踪和自主竞速等多样化机动，并在仿真和真实环境中验证其优于基线方法。
2024-12-17 cs.LG cs.RO
TACO: Trajectory-Aware Controller Optimization for Quadrotors
School of Engineering and Applied Science, University of Pennsylvania（工程与应用科学学院，宾夕法尼亚大学）
提出TACO框架，通过预测模型和轻量级优化方案在线调整四旋翼控制器参数与轨迹，显著提升跟踪性能并实现物理实时部署。
2025-11-03 cs.RO
Multi-Agent Reinforcement Learning for the Low-Level Control of a Quadrotor UAV
George Washington University（乔治·华盛顿大学）
本文提出多智能体强化学习框架，将四旋翼动力学分解为平移和偏航分量并分配协作智能体，结合正则化项，显著提升训练收敛速度、飞行控制性能与稳定性。
2024-02-26 cs.RO cs.SY eess.SY
Time-Optimal Planning for Long-Range Quadrotor Flights: An Automatic Optimal Synthesis Approach
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；University of Toronto Robotics Institute（多伦多大学机器人研究所）；University of Toronto Division of Engineering Science（多伦多大学工程科学系）；Technical University of Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
针对长距离四旋翼飞行时间最优规划的计算难题，提出基于多项式的自动最优合成（AOS）方法，通过确定最小多项式段数和鲁棒优化方案，在保证时间最优性的同时将计算速度提升数个数量级，并经实验验证有效。
2024-07-25 cs.RO cs.SY eess.SY
JuggleRL: Mastering Ball Juggling with a Quadrotor via Deep Reinforcement Learning
Tsinghua University（清华大学）
JuggleRL通过深度强化学习使四旋翼机实现精准球类抛接，实现实验室与现实环境的高性能击球表现。
2026-01-14 cs.RO
Real-Time Neuromorphic Navigation: Integrating Event-Based Vision and Physics-Driven Planning on a Parrot Bebop2 Quadrotor
Purdue University（普渡大学）
本文在 Parrot Bebop2 四旋翼上融合 DVS 事件相机、浅层脉冲神经网络与物理驱动规划，实现实时低延迟且节能的动态穿环导航。
2024-07-01 cs.RO
Learning Agile Quadrotor Flight in the Real World
Robotics and Perception Group, University of Zurich（苏黎世大学机器人与感知组）
研究现实世界中敏捷四旋翼飞行，提出自适应框架，通过自适应时间缩放和在线残差学习探索物理极限、增强标称模型，用RASH-BPTT实现策略更新，实验表明能在接近饱和极限时可靠执行敏捷机动并提升性能。
2026-07-13 cs.RO
PCVPC: Perception Constrained Visual Predictive Control For Agile Quadrotors
我们提出了一种感知约束视觉预测控制（PCVPC）算法的四旋翼，使侵略性的飞行，而不使用任何位置信息。我们的框架利用非线性模型预测控制（NMPC）制定一个约束的基于图像的视觉伺服（IBVS）问题。四旋翼动力学，图像动力学，致动约束，并考虑到能见度约束，以处理高敏捷性的四旋翼机动。将IBVS应用于敏捷无人机的两个主要挑战被认为是：（i）深度对强烈方向变化的高度敏感性，以及（ii）由于欠驱动性质，视觉伺服目标和动作目标之间的冲突。为了应对第一个挑战，我们通过方位向量和距离来参数化视觉特征，通过该距离，深度将不再参与图像动态。同时，我们解决了冲突的问题，通过补偿旋转在未来的视觉伺服成本使用预测的方向的四旋翼。我们的方法在模拟中表明，（i）它可以在没有任何位置信息的情况下工作，（ii）它可以在轨迹跟踪中实现9 m/s的最大参考速度而不会丢失目标，以及（iii）它可以到达地标，例如，无人机比赛中的一个门，从不同的初始配置。
2021-09-22 cs.RO cs.SY eess.SY
A Brain Inspired Learning Algorithm for the Perception of a Quadrotor in Wind
Delft Institute of Technology（代尔夫特理工大学）
对机器人大脑启发的学习算法的探索最终达到了神经科学的自由能原理，该原理将大脑的感知和行动建模为对其自由能目标的优化。基于这一思想，我们提出了一种估计算法，准确的输出预测的四旋翼飞行在未建模的风条件下。这项工作背后的关键思想是将未建模的风动力学和模型的非线性误差作为系统中的有色噪声进行处理，并利用它进行准确的输出预测。本文提供了第一个实验验证广义坐标机器人感知使用动态期望最大化（DEM）的有用性。通过真实的飞行实验，我们表明，估计优于经典的估计输出预测误差最小。基于实验结果，我们扩展了DEM算法的模型阶数选择完全黑盒识别。通过本文，我们首次对DEM应用于机器人学习进行了实验验证。
2021-09-24 cs.RO
TJ-FlyingFish: Design and Implementation of an Aerial-Aquatic Quadrotor with Tiltable Propulsion Units
Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海自主智能无人系统科学中心）；The Chinese University of Hong Kong（香港中文大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Peng Cheng Laboratory（鹏城实验室）；Zhejiang University（浙江大学）
空中-水上交通工具能够在两种最主要的流体中移动，使其更有希望用于广泛的应用。我们提出了一个原型与特殊设计的推进和推力器配置，以应付水和空气的流体性质的巨大差异。在推进方面，双速推进单元可针对不同介质切换工作范围，从而提供足够的推力并确保输出效率。对于推力器构型，推力矢量是通过推进单元绕安装臂的旋转来实现的，从而提高了水下机动性。本文介绍了一个四旋翼的概念，并在实践中的设计细节和实现。
2023-02-07 cs.RO cs.SY eess.SY
Quadrotor Morpho-Transition: Learning vs Model-Based Control Strategies
California Institute of Technology（加州理工学院）
针对四旋翼空中形态转换控制难题，对比端到端RL控制器与MPC基线控制器的性能与硬件迁移条件，为敏捷变形飞控的鲁棒性研究提供参考。
2025-06-16 cs.RO cs.SY eess.SY
Data-Driven System Identification of Quadrotors Subject to Motor Delays
New York University（纽约大学）；Tandon School of Engineering（坦登工程学院）；Autonomous Robotics Research Center（自主机器人研究中心）；Technology Innovation Institute（技术创新研究院）
提出一种基于本体感受数据的四旋翼系统辨识方法，利用MAP估计电机延迟等参数，仅需一分钟飞行数据即可准确恢复参数并促进大型四旋翼在户外恶劣条件下的RL端到端控制部署。
2024-09-24 cs.RO cs.SY eess.SY
Geometric Adaptive Control with Neural Networks for a Quadrotor UAV in Wind fields
针对风场引起的非结构力和力矩扰动，提出一种基于多层神经网络在线调整权重的几何自适应控制器，实现位置和航向跟踪误差的一致最终有界。
2019-03-05 cs.RO cs.SY eess.SY
Non-Prehensile Manipulation of Cuboid Objects Using a Catenary Robot
Lehigh University（利哈伊大学）
在文献中已经广泛地研究了使用具有线缆的四旋翼来运输物体。然而，这些方法中的大多数假设线缆先前通过人为干预附接到负载。在需要移动多个物体的任务中，机器人系统的效率受到人工劳动需求的限制。我们的方法使用了一个不可拉伸的电缆连接到两个四旋翼，我们称之为悬链线机器人，完全自动化的运输任务。使用电缆，我们可以滚动和拖动长方体物体（盒子）在平面上。根据表面类型，我们选择适当的动作，拖动用于低摩擦，滚动用于高摩擦。因此，运输过程不需要任何人为干预，因为我们使用电缆与箱子相互作用，而不需要紧固。我们验证我们的控制设计在模拟和实际的机器人，我们向他们展示滚动和拖动框跟踪所需的轨迹。
2021-08-03 cs.RO
Vision Transformers for End-to-End Vision-Based Quadrotor Obstacle Avoidance
University of Pennsylvania（宾夕法尼亚大学）
该研究提出并验证了基于vision transformer (ViT)的端到端视觉到控制方法，用于高速四旋翼无人机在密集环境中的避障，发现ViT结合循环机制在高达7m/s的速度下显著提升了泛化性能并降低了能耗。
2025-04-01 cs.AI cs.RO eess.IV
Realtime Wind Estimation using Low Cost Quadrotor Uncrewed Aerial Vehicles
Natural Sciences and Engineering Research Council of Canada（加拿大自然科学和工程研究理事会）；Government of Alberta（阿尔伯塔省政府）；Alberta Innovates（阿尔伯塔创新）；Schulich School of Engineering at the University of Calgary（卡尔加里大学 Schulich 工程学院）；Intelligent Dynamics and Control Lab（智能动力与控制实验室）；Department of Mechanical and Manufacturing Engineering, University of Calgary（卡尔加里大学机械与制造工程系）
针对四旋翼无人机在非线性风场中估计风速精度低的问题，提出基于无迹卡尔曼滤波（UKF）的非线性估计方法，在SE(3)上建模并通过几何控制器保持轨迹，仿真表明UKF优于扩展卡尔曼滤波（EKF）。
2026-06-29 cs.RO cs.SY eess.SY
StableTracker: Learning to Stably Track Target via Differentiable Simulation
本文提出StableTracker，一种基于学习的控制策略，使四旋翼无人机能从任意视角稳定跟踪移动目标。通过可微分模拟训练，实现保持固定相对距离并维持目标在水平和垂直方向上的视觉中心，提升跟踪精度与稳定性。
2026-03-22 cs.RO
Why Change Your Controller When You Can Change Your Planner: Drag-Aware Trajectory Generation for Quadrotor Systems
University of Pennsylvania（宾夕法尼亚大学）
针对四旋翼载荷投递中的气动阻力问题，提出在固定控制器下调整轨迹生成组件的阻力感知规划方法，通过引入并从仿真数据中学习跟踪代价函数作为正则化项，使跟踪误差最多降低83%并避免控制器饱和。
2024-01-10 cs.LG cs.RO cs.SY
Low-Latency Event-Based Velocimetry for Quadrotor Control in a Narrow Pipe
Robotics and Perception Group, University of Zurich（苏黎世大学机器人与感知组）
本文提出了一种基于实时流场测量的四旋翼无人机闭环控制方法，用于在狭窄管道中实现稳定悬停，通过低延迟事件基烟雾速度测量和强化学习控制器有效对抗气动扰动。
2026-01-09 cs.CV cs.RO
DCAD: Decentralized Collision Avoidance with Dynamics Constraints for Agile Quadrotor Swarms
University of Maryland, College Park（马里兰大学帕克分校）
我们提出了一种新的，分散的避碰算法，用于在密集的环境中导航的四旋翼机群与静态和动态的障碍物。我们的算法依赖于最优相互碰撞避免（ORCA）的概念，并利用基于平坦度的模型预测控制（MPC）来生成每个四旋翼的局部无碰撞轨迹。我们前馈线性化的非线性动力学的四旋翼，并随后在我们的MPC框架中使用这个线性化的模型。我们的方法是下洗意识和计算安全的轨迹，避免四旋翼进入对方的下洗区域在近距离机动。此外，我们占的不确定性感测的位置和速度数据使用卡尔曼滤波。我们评估我们的算法与其他国家的最先进的方法的性能，并证明其优越的性能，在高速机动过程中产生的轨迹的平滑度和碰撞的概率较低。
2019-12-02 cs.RO
Marine Locomotion: A Tethered UAV$-$Buoy System with Surge Velocity Control
American University of Beirut（贝鲁特美国大学）
无人驾驶飞行器（UAV）正在进入近海。在这项工作中，我们制定了新的问题，海洋机车四旋翼无人机，操纵的浪涌速度的浮动浮标通过电缆。所提出的机器人系统可以有各种新的应用无人机，他们的高速和机动性，以及他们的部署方便和广阔的视野，给他们一个优越的优势。此外，四旋翼无人机有限的飞行时间的主要限制通常通过脐带式电力电缆来解决，脐带式电力电缆自然地与所提出的系统集成。建立了浮标、无人机和水环境的高保真动力学模型。此外，一个稳定的控制系统的设计，提出了在一定的限制，保持浮标与水面接触的浮标操纵浪涌速度。在控制器设计过程中使用极坐标，因为它们在确保对跟踪性能的相关影响方面优于传统的基于笛卡尔的速度控制器，其中每个控制通道独立地影响一个控制参数。在不同的波浪场景下，系统模型和控制器的设计进行了验证的数值仿真。
2021-07-30 cs.RO
Towards Model Predictive Control for Acrobatic Quadrotor Flights
Arizona State University（亚利桑那州立大学）
本研究针对四旋翼特技翻转机动需求，提出一种考虑动力学约束与环境变量的模型预测控制实时轨迹规划方法，经仿真与真机实验验证有效，可提升自主空中机器人的任务能力。
2024-01-30 cs.RO
Vision-Based System Identification of a Quadrotor
Sabanci University（萨班哲大学）
本文研究基于视觉的系统辨识方法在四旋翼建模与控制中的应用，通过灰箱建模和机载视觉数据设计LQR控制器，验证了该方法的一致性与有效性。
2025-11-10 cs.CV cs.RO cs.SY
Precise Aggressive Aerial Maneuvers with Sensorimotor Policies
Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院工业控制技术研究所）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；Differential Robotics Technology Co., Ltd.（微分机器人技术有限公司）
本文提出了一种基于强化学习的传感器运动政策，用于实现四旋翼无人机在狭窄间隙中精确激进的空中动作，通过模拟训练和仿真到现实的设计，实现了低空隙和高重复性的导航能力。
2026-04-08 cs.RO
Perception-Aware Perching on Powerlines with Multirotors
Universidad de Sevilla（塞维利亚大学）；University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
多旋翼空中机器人正被广泛用于电力线的检查。为了在没有人为干预的情况下实现连续、可靠的检查，机器人必须能够栖息在电力线上为电池充电。高度通用的栖息能力是必要的，以适应各种配置和约束，是目前在真正的电力线系统。本文提出了一种新的栖息轨迹生成框架，计算感知感知，无碰撞，和动态可行的机动，引导机器人到所需的最终状态。轨迹生成是通过使用原始-对偶内点法求解非线性规划问题来实现的。该问题考虑了机器人的完整动态模型，直到其单转子推力，并最大限度地减少最终的姿态和速度误差，同时避免碰撞，并最大限度地提高机动过程中电力线的可见性。所产生的演习同时考虑栖息和后恢复轨迹。该框架采用电力线的有效数学表示定义的成本和约束，使在线板载执行资源受限的硬件。该方法在一个敏捷的四旋翼机上进行电力线检查和各种栖息机动，最终俯仰值高达180度。所开发的代码可在以下网址获得：https://github.com/grvcPerception/pa_powerline_perching
2022-02-13 cs.CV cs.RO
A Heuristic Approach for Performance Tuning in RL-based Quadrotor Control via Reward Design and Termination Conditions
Robotics and AI group, in the Department of Computer Science, Electrical and Space Engineering at Luleå University of Technology（鲁德尼大学机器人与人工智能小组，计算机科学、电气与空间工程系）
本文提出了一种新的启发式方法，通过奖励设计和终止条件实现RL四旋翼控制的可调性能，该方法通过双带宽指数奖励结构实现了设定点跟踪的临界阻尼响应，并具有低稳态误差。在使用近端策略优化（PPO）算法训练时，结合episode截断条件，在600万次时间步内以高效的方式实现了所需性能。通过直观的启发式规则调整奖励权重和指数系数，可以实现更快（空翻式）和更慢（检查式）的稳定时间性能，同时保留基线临界阻尼响应和约2%的稳态误差。
2026-05-18 cs.LG cs.RO math.OC
Imitation Learning-Based Online Time-Optimal Control with Multiple-Waypoint Constraints for Quadrotors
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）；Department of Automation, Zhejiang University of Technology（浙江工业大学自动化系）
针对四旋翼多航点时间最优轨迹在线生成难题，本文用模仿学习训练 WN&CNets 逼近 CPC，并以 MINCO 过渡策略处理航点切换，实现高速在线控制。
2024-09-10 cs.RO
Design and implementation of a parsimonious neuromorphic PID for onboard altitude control for MAVs using neuromorphic processors
Delft University of Technology（代尔夫特理工大学）
机器人神经形态传感和处理的巨大前景促使研究人员和工程师研究用于自主机器人的鲁棒和可靠控制的新模型（导航，障碍物检测和避免等），特别是对于无人机竞赛和攻击性机动等具有挑战性的环境中的四旋翼飞行器。使用脉冲神经网络，这些模型可以在神经形态硬件上运行，以受益于出色的更新速率和高能效。然而，低级别的控制器往往被忽视，并保持在神经形态循环之外。设计低级神经形态控制器对于去除标准PID是至关重要的，因此受益于闭合神经形态回路的所有优点。在本文中，我们提出了一个简约和可调的神经形态PID控制器，赋予了最小数量的93个神经元稀疏连接，以实现自主，机载高度控制的四旋翼配备英特尔的Loihi神经形态芯片。我们成功地证明了我们提出的网络的鲁棒性，在一组实验中，要求四旋翼飞机从起飞达到目标高度。我们的研究结果证实了这种低级别的神经形态控制器的适用性，最终具有非常高的更新频率。
2021-09-21 cs.AI cs.NE cs.RO
DTP-Attack: A decision-based black-box adversarial attack on trajectory prediction
Tongji University（同济大学）；Graz University of Technology（格拉茨技术大学）；Virtual Vehicle Research（虚拟车辆研究院）
本文提出DTP-Attack，一种针对轨迹预测系统的基于决策的黑盒对抗攻击方法，通过二进制决策输出实现高可控性和可靠性，有效提升攻击成功率并降低对模型内部信息的依赖。
2026-03-27 cs.RO
