NMPC-based Unified Posture Manipulation and Thrust Vectoring for Agile and Fault-Tolerant Flight of a Morphing Aerial Robot
Northeastern University（东北大学）
本文提出一种基于NMPC的统一控制框架，通过协同规划姿态操作与推力矢量，实现M4可变形空中机器人的敏捷飞行与执行器故障容错，仿真验证了其精确轨迹跟踪与鲁棒恢复能力。
2025-04-29 cs.RO cs.SY eess.SY
Servo Integrated Nonlinear Model Predictive Control for Overactuated Tiltable-Quadrotors
the University of Tokyo（东京大学）
提出一种基于NMPC的可倾转四旋翼控制方法，通过集成一阶舵机模型并直接使用旋翼推力与舵机角度作为输入约束，实现了快速鲁棒的位姿跟踪，并确保优化收敛。
2024-08-23 cs.RO
A Comparative Study of Nonlinear MPC and Differential-Flatness-Based Control for Quadrotor Agile Flight
University of Zurich（苏黎世大学）
本文比较了NMPC和DFBC两种四旋翼敏捷飞行控制框架，发现NMPC在跟踪动态不可行轨迹上更优，而结合INDI内环控制器和空气动力学阻力模型能显著降低跟踪误差。
2024-01-04 cs.RO
Multi-Stage NMPC for a MAV based Collision Free Navigation under Varying Communication Delays
Luleå University of Technology（吕勒奥理工大学）；Scania Group（斯堪尼亚集团）
通信网络中的时间延迟是在边缘部署具有计算板的机器人的主要问题之一。本文提出了一种多级非线性模型预测控制（NMPC），能够处理不同的网络诱导的时间延迟，建立一个控制框架，能够保证无碰撞微型飞行器（MAVs）导航。本研究介绍了一种新的方法，认为不同的采样时间的树的离散化方案相反，现有的典型的多阶段NMPC系统的不确定性建模的树的情况下。此外，所提出的方法考虑了自适应权重的多级NMPC的情况下，在通信链路中的时间延迟的概率的基础上。作为多级NMPC的结果，所获得的最优控制动作对于多个采样时间是有效的。最后，在各种测试和不同的仿真环境中证明了所提出的新型控制框架的整体有效性。
2022-08-07 cs.RO
Cooperative Control of Multi-Quadrotors for Transporting Cable-Suspended Payloads: Obstacle-Aware Planning and Event-Based Nonlinear Model Predictive Control
Toronto Metropolitan University（多伦多都会大学）；University of Alberta（阿尔伯塔大学）
本文提出多四旋翼协同运输悬挂载荷的障碍感知规划与事件触发NMPC方法，结合A*全局路径规划与实时地图更新，显著提升安全性与导航效率。
2025-03-24 cs.MA cs.RO
NMPCM: Nonlinear Model Predictive Control on Resource-Constrained Microcontrollers
Advanced Robotics and Automation (ARA) Lab, Department of Computer Science and Engineering, University of Nevada, Reno（先进机器人与自动化实验室，计算机科学与工程系，内华达大学里诺分校）
本文提出了一种在资源受限微控制器上实现非线性模型预测控制（NMPC）的高效方法，用于控制四旋翼无人机，通过优化计算效率和保持高控制精度，实现实时高频NMPC执行。
2026-02-26 cs.RO
Quadrotor Trajectory Tracking Using Linear and Nonlinear Model Predictive Control
Trường Đại học Công Nghệ - Đại học Quốc gia Hà Nội（河内国家大学科技大学）
本文详细介绍了LMPC和NMPC两种基于模型的轨迹跟踪控制框架，全面描述了四旋翼的运动学与动力学模型，并通过仿真系统验证了这两种控制器的可行性与有效性。
2024-11-11 cs.RO
Nonlinear MPC for Quadrotors in Close-Proximity Flight with Neural Network Downwash Prediction
Beihang University（北京航空航天大学）
针对四旋翼近距离飞行中的下洗气流扰动问题，提出NDP-NMPC方法，通过谱归一化训练的神经网络预测扰动并融入非线性模型预测控制，实验显示高度跟踪误差降低75.37%。
2023-09-12 cs.RO
Effector-Centric NMPC of Tiltable-Multirotors for Offset-Free Omnidirectional Aerial Manipulation
本研究针对可倾转多旋翼飞行器，设计并提出以 effector 为中心的 NMPC 框架，整合构型优化、奇异处理与扰动补偿，通过真实实验验证其可实现无偏移全向空中操作的可行性。
2026-10-14 cs.RO
Multirotor Nonlinear Model Predictive Control based on Visual Servoing of Evolving Features
National Technical University of Athens (NTUA)（雅典国家技术大学）；University of Thessaly（塞萨利大学）；New York University（纽约大学）
本文提出一种基于演化特征视觉伺服的多旋翼无人机非线性模型预测控制方案，通过结合障碍函数确保安全与最优性能，并利用配备摄像机的四旋翼无人机实时仿真和实验验证了其跟踪移动目标的有效性。
2024-09-25 cs.RO cs.SY eess.SY
Online Weight-adaptive Nonlinear Model Predictive Control
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
非线性模型预测控制（NMPC）是一种在约束条件下实现非线性动态过程控制的有效方法。在NMPC中，通常基于人类专家知识来选择相应的状态和控制成本的状态和控制权重，这通常反映了实际中可接受的稳定性。虽然被广泛使用，但这种方法对于执行具有最低位置误差和预测控制中的足够“平滑”变化的轨迹可能不是最佳的。此外，NMPC与在线权重更新策略的快速，敏捷，精确的无人机导航，还没有得到广泛的研究。为此，我们提出了一种新的控制问题的制定，允许在线更新的状态和控制权重。作为解决方案，我们提出了一种算法，包括两个交替的阶段：（i）状态和命令变量预测和（ii）权重更新。我们提出了一个数值评估与比较和分析不同的权衡问题的四旋翼导航。我们的计算机仿真结果表明，与具有固定权重的NMPC的标准解决方案相比，执行轨迹的精度提高了70%。
2020-08-06 cs.RO math.OC
External Forces Resilient Safe Motion Planning for Quadrotor
Zhejiang University（浙江大学）；University of Pennsylvania（宾夕法尼亚大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
对于复杂未知环境中的四旋翼飞行器，在不需要外界干扰先验知识的情况下进行自适应自主导航具有重要意义。考虑外部干扰的主流方法是实现干扰抑制控制和路径跟踪。然而，鲁棒控制，以补偿跟踪偏差没有很好地考虑到能源消耗，甚至参考路径将成为危险和棘手的干扰。随着最近外力估计的发展，可以结合实时力估计器来开发更强大和安全的规划框架。本文提出了一个系统的（重新）规划框架，可以弹性地产生安全的轨迹在动荡的条件下。首先，前端Kinodynamic路径搜索力偏置运动基元。然后，我们开发了一个非线性模型预测控制（NMPC）作为一个本地规划器与哈密尔顿-雅可比（HJ）前向可达性分析的误差动态外力。它保证避免碰撞的约束椭球的四旋翼机构扩展的前向可达集（FRS）内的安全凸多面体。我们的方法在模拟和现实世界的实验与不同的外力来源进行了验证。
2021-09-29 cs.RO
DQ-NMPC: Dual-Quaternion NMPC for Quadrotor Flight
Department of Robotics Engineering, Worcester Polytechnic Institute（机器人工程系，沃斯特理工学院）；Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学）
针对四旋翼欠驱动及动力学耦合导致的敏捷飞行精确控制难题，提出基于对偶四元数的全局非奇异NMPC框架DQ-NMPC，经仿真与实飞验证，跟踪误差较基线降低超56%，可在受限空间内实现高速激进轨迹控制。
2025-10-13 cs.RO
Aerial Robots Carrying Flexible Cables: Dynamic Shape Optimal Control via Spectral Method Model
University of Twente（特温特大学）；Sapienza University of Rome（罗马第一大学）
本研究针对搭载柔性缆绳的四旋翼空中机器人系统，结合POD降阶建模与NMPC实现缆绳位置与形状的最优轨迹跟踪，经仿真与实验验证，其性能优于仅控制四旋翼状态的最优调参PID控制器。
2024-11-04 cs.RO cs.SY eess.SY
Nonlinear Model Predictive Control of Tiltrotor Quadrotors with Feasible Control Allocation
Toronto Metropolitan University（多伦多都会大学）；Technical University of Crete（克里特技术大学）
针对倾转旋翼多旋翼无人机控制分配复杂的问题，提出将分配器与NMPC控制器紧密耦合的统一飞行控制框架，可同时管控位姿，实验验证其在高加速轨迹和抗干扰场景下精度与鲁棒性显著优于传统LQR、SMC方法。
2024-06-21 cs.RO
Robust Integrated Planning and Control for Quadrotors in Dynamic Environments via NMPC with CBF Penalties
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）
提出一种将控制障碍函数作为指数惩罚嵌入非线性模型预测控制的鲁棒集成规划与控制策略，通过高增益扰动观测器和卡尔曼滤波器增强系统鲁棒性，实现动态环境中的安全避障。
2026-05-31 cs.RO
Geometry Aware NMPC Scheme for Morphing Quadrotor Navigation in Restricted Entrances
Luleå University of Technology（吕勒奥理工大学）
几何变形微型飞行器（MAVs）由于其在飞行过程中能够改变自身几何形态的能力，增加了其多功能性，同时扩大了其应用范围，因此受到越来越多的关注。在这一新的研究领域，大部分的工作集中在平台的设计和底层控制部分，以保持稳定的变形后。然而，几何形状变形的MAV的另一个方面是变形相对于环境的形状和结构的关联。在这篇文章中，我们提出了一种新的非线性模型预测控制（NMPC）结构，修改的基础上环境入口的几何形状的四旋翼的形态。所提出的方法认为，限制入口作为一个约束，在NMPC和修改的手臂配置的MAV提供一个无碰撞的路径从初始位置到所需的目标，而通过入口。据作者所知，这项工作是第一个连接的飞行形态与环境形状的特点。多个仿真结果描绘了所提出的方案的性能和效率的情况下，四旋翼被命令通过受限区域。
2021-01-08 cs.RO
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
ADMM-Based Safety-Critical Distributed NMPC for Cooperative Transportation by Quadrupedal Robots
Virginia Tech（弗吉尼亚理工大学）
研究四足机器人协同运输的安全关键型分布式控制框架，核心方法是用ADMM分解优化问题，结合高阶控制障碍函数。相比集中式NMPC，减少求解时间，保持性能，消融研究显示对通信延迟鲁棒，能改善负载跟踪与协调。
2026-07-21 cs.RO math.OC
Time-optimal Point-to-point Motion Planning: A Two-stage Approach
KU Leuven（鲁汶大学）；Flanders Make（弗兰德斯制造）
针对时间最优点对点运动规划问题，提出固定+可变时间网格的两阶段方法，兼具低计算复杂度与无时间缩放插值误差的优势，并结合异步NMPC更新方案应对计算延迟波动，通过自主导航避障数值算例验证了有效性。
2024-03-06 cs.RO cs.SY eess.SY
Contact-Aware Incremental Model Predictive Control for an Underactuated Aerial Manipulator
Delft University of Technology（代尔夫特理工大学）
提出结合NMPC与INDI的接触感知控制框架，在欠驱动四旋翼单连杆机械臂上实现空中书写，仿真与实验验证了五自由度位姿和接触力鲁棒同步跟踪。
2026-09-11 cs.RO
Tailoring Solution Accuracy for Fast Whole-body Model Predictive Control of Legged Robots
Massachusetts Institute of Technology（麻省理工学院）
本文提出一种利用ADMM快速求解低精度二次规划子问题的全身NMPC方法，并结合CBF处理自碰撞约束，在MIT Humanoid上以90 Hz实时运行，实现复杂交叉腿和手臂动作并增强抗扰动能力。
2024-09-12 cs.RO
Multi-Model Predictive Attitude Control of Quadrotors
Toronto Metropolitan University（多伦多都会大学）
本研究针对四旋翼姿态控制中NMPC计算量大、LMPC性能差的问题，提出基于多线性模型动态切换的MMPC方法，结合间隙度量与软切换机制，实现接近NMPC的控制效果与LMPC级别的计算效率。
2024-06-21 cs.RO
Nonlinear MPC for Quadrotor Fault-Tolerant Control
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
四旋翼飞行器的机械简单性、悬停能力和高灵活性使其在行业中快速适应检查、勘探和城市空中机动性。另一方面，四旋翼的不稳定和欠驱动动力学使它们极易受到系统故障，特别是转子故障的影响。在这项工作中，我们提出了一个容错控制器，使用非线性模型预测控制（NMPC）的稳定和控制的四旋翼受到一个单一的转子完全故障。从现有的作品，无论是依赖于线性假设或诉诸级联结构忽略输入约束的外环，我们的方法利用完整的非线性动力学损坏的四旋翼，并考虑每个转子的推力约束。因此，该方法可以有效地从极端的初始条件进行镦粗恢复。大量的仿真和真实世界的实验进行验证，这表明，所提出的NMPC方法可以有效地恢复损坏的四旋翼，即使故障发生在侵略性的机动，如翻转和跟踪敏捷轨迹。
2022-02-09 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
AeroThrow: An Autonomous Aerial Throwing System for Precise Payload Delivery
School of Intelligent Systems Engineering, Sun Yat-sen University（智能系统工程学院，中山大学）
本文提出AeroThrow自主空中抛投系统，通过空中机械臂引入额外自由度并结合分层扰动补偿的NMPC框架，主动补偿跟踪误差、降低释放时刻敏感度，实现空投任务中更高的灵活性与精确性。
2025-07-18 cs.RO
Learning End-to-End Control for Omnidirectional Aerial Motion on Overactuated Tilt-rotor Quadrotors
本文提出基于强化学习的过驱动可倾四旋翼全方位空中运动控制方法，通过系统辨识与领域随机化提升鲁棒性和泛化能力，实现高精度姿态跟踪与零样本部署。
2026-09-21 cs.RO
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
Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight
GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
针对紧密编队飞行四旋翼受空气动力学相互作用影响问题，提出基于物理的残差动力学学习框架，设计高效反馈线性化控制器，经硬件实验验证其能降低跟踪误差，在低计算量下达到NMPC跟踪性能，且短训练数据和低循环速率可实现稳定编队飞行。
2026-09-28 cs.RO cs.SY eess.SY
Time-attenuating Twin Delayed DDPG Reinforcement Learning for Trajectory Tracking Control of Quadrotors
Beijing Institute of Technology（北京理工大学）
四旋翼飞行器的连续轨迹跟踪控制在考虑环境噪声的情况下是比较复杂的。由于难以对环境动态进行建模，基于传统控制理论的跟踪方法，例如模型预测控制，在跟踪精度和响应时间上具有局限性。我们提出了一个时间衰减双延迟DDPG，无模型算法，是强大的噪声，以更好地处理轨迹跟踪任务。构建了一个深度强化学习框架，其中设计了时间衰减策略以避免陷入局部最优。实验结果表明，该算法跟踪误差小，运算时间仅为传统算法的十分之一。利用OpenAI Mujoco工具对所提算法进行了验证，仿真结果表明，所提方法能显著提高训练效率，有效提高精度和收敛稳定性。
2023-02-13 cs.RO cs.SY eess.SY
A Perception-Aware NMPC for Vision-Based Target Tracking and Collision Avoidance with a Multi-Rotor UAV
Czech Technical University in Prague（捷克理工大学）；University of Twente（特温特大学）
针对多旋翼飞行器的视觉目标跟踪与避碰问题，提出了一种基于感知觉的非线性模型预测控制（NMPC）策略。所提出的控制策略既考虑了现实的驱动限制在扭矩水平和视觉感知的约束，以执行的目标，同时符合任务目标的能见度覆盖。此外，该方法允许安全地在由具有弹道运动的动态障碍物填充的工作空间区域中导航。该公式是通用的，并设置在一个大类的多旋翼飞行器，包括共面设计，如四旋翼以及全驱动平台与倾斜螺旋桨。通过MATLAB中的闭环仿真验证了该控制策略的可行性和有效性。
2023-02-09 cs.RO
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
Feedback Linearization for Quadrotors with a Learned Acceleration Error Model
The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
针对多旋翼飞行器，提出了一种改进的反馈线性化控制器，引入了加速度误差模型和推力输入延迟抑制模型。反馈线性化控制器在理论上是有吸引力的，但是它们的性能在真实系统中受到影响，其中真实系统与已知系统模型不匹配。我们采取了一个步骤，通过学习加速度误差模型，在位置控制器中应用该模型，并进一步将其传播到姿态控制器，以减少这些鲁棒性问题。我们展示了这种方法如何提高性能的标准反馈线性化控制器中存在的未建模动态和可重复的外部干扰在仿真和硬件实验。我们还表明，我们的推力控制输入延迟模型改善了硬件系统的阶跃响应。
2021-05-28 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
Critical slowing down for predicting controller induced loss of control in quadrotors
Delft University of Technology（代尔夫特理工大学）
研究利用临界减速开发预测方案预测四旋翼飞行器控制器引发的失控，通过真实飞行数据评估，该方法能提前0.9秒预测，检测精度高且数据依赖小，无需重新参数化可通用不同场景。
2026-07-29 cs.RO cs.SY eess.SY
Adaptive Artificial Time Delay Control for Robotic Systems
International Institute of Information Technology Hyderabad（国际信息技术研究所海得拉巴分校）；Robotics Research Center（机器人研究中心）
本文研究人工时滞控制在双足机器人与四旋翼系统中的应用，提出统一控制设计以避免多控制器与约束力计算，并通过实验验证其有效性。
2024-09-02 cs.RO cs.SY eess.SY
DREAM: Decentralized Real-time Asynchronous Probabilistic Trajectory Planning for Collision-free Multi-Robot Navigation in Cluttered Environments
NVIDIA（英伟达）；University of Southern California（南加州大学）；Amazon（亚马逊）
针对含交互动态障碍的杂乱环境，本文提出DREAM去中心化异步概率多机器人轨迹规划器，仿真和真实四旋翼实验表明其显著提升成功率并降低规划耗时。
2024-05-20 cs.RO
Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning
New York University（纽约大学）；University of California Berkeley（加州大学伯克利分校）
本文提出一种分层框架，结合图注意力规划器和分布式非线性模型预测控制器，以解决多机器人在通信受限环境下同时分配目标和生成安全轨迹的问题，通过图神经网络方法实现可扩展的去中心化解决方案。
2026-08-05 cs.MA cs.RO
Learning Cross-Coupled and Regime Dependent Dynamics for Aerial Manipulation
Department of Computer Science, The University of Manchaster（曼彻斯特大学计算机科学系）；International Institute of Information Technology Hyderabad（海得拉巴国际信息科技研究所）；Department of Cognitive Robotics, Delft University of Technology（代尔夫特理工大学认知机器人系）；Newcastle University（新castle大学）
本文提出了一种结构编码器-解码器框架，用于空中机械臂适应残差动态学习，通过捕捉跨变量耦合和时间依赖性，提升动态预测精度和实时控制性能。
2026-10-19 cs.RO
Fast Fault Detection on a Quadrotor using Onboard Sensors and a Kalman Filter Approach
Delft University of Technology（代尔夫特理工大学）
本文提出了一种新的方法，快速和强大的四旋翼执行器故障检测。该算法具有很小的模型依赖性。卡尔曼滤波器估计器仅使用机载RPM、陀螺仪和加速度计测量值来估计每个致动器的随机有效因子。然后，一个假设检验确定故障的执行器。该算法在线实时验证，也作为主动容错控制系统的一部分。作动器效率的损失是由于螺旋桨从发动机中弹出而引起的。通过回放包含26个螺旋桨弹射的真实飞行数据，进一步离线研究了该算法在一系列参数设置下的鲁棒性。检测延迟被发现是在30至130毫秒的范围内，没有遗漏的检测或假警报发生。
2021-02-12 cs.RO
RADAR Perception for Dynamic Obstacle Avoidance onboard small-scale Quadrotor UAVs
University of Klagenfurt（克拉根福大学）
该研究针对小型四旋翼无人机，提出首个毫米波RADAR感知与控制系统，结合交互多模型跟踪器与控制障碍函数控制器，实现快速动态避障，在多环境实验中精度达标，端到端延迟约14ms。
2026-11-09 cs.RO eess.SY
Robust Deterministic Policy Gradient for Disturbance Attenuation and Its Application to Quadrotor Control
School of Electrical Engineering, Korea Advanced Institute of Science（电气工程学院，韩国先进科学研究院）
本文提出鲁棒确定性策略梯度算法，通过将H∞控制问题转化为动态博弈，结合深度强化学习提升四旋翼在扰动下的鲁棒性和跟踪精度。
2025-12-03 cs.AI 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
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
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
Decentralized Safe Reactive Planning under TWTL Specifications
University of Minnesota（明尼苏达大学）
我们研究了一个多智能体规划问题，每个智能体的目标是实现一个单独的任务，同时避免与他人的冲突。我们假设每个代理的任务表示为一个时间窗口时序逻辑（TWTL）规范定义在一个3D环境。我们提出了一个分散的滚动时域算法在线规划的轨迹。我们表明，当环境是充分连接，所产生的代理轨迹总是安全的（无碰撞），并导致满意的TWTL规范或其有限的时间松弛。因此，死锁总是被避免，并保证每个代理在最坏的情况下，以有限的时间延迟安全地完成其任务。所提出的算法的性能通过数值模拟和实验证明与四旋翼。
2020-07-23 cs.MA cs.RO cs.SY
PACED-5G: Predictive Autonomous Control using Edge for Drones over 5G
Luleå University of Technology（吕勒奥理工大学）；Ericsson Research（爱立信研究院）
随着边缘计算等技术的出现，远程计算应用的视野已经多维地拓宽。无人机任务是利用远程计算来提高其性能的重要应用。然而，将计算复杂性卸载到远程系统增加了系统中的等待时间。虽然5G网络等技术可以最大限度地减少通信延迟，但延迟对无人机控制的影响是不可避免的，可能会破坏系统的稳定性。因此，在控制设计中必须考虑系统中的延迟并对其进行补偿。因此，我们提出了一种新的基于边缘的预测控制架构，该架构由5G网络实现，PACED-5G（5G上使用边缘的无人机预测自主控制）。在所提出的控制架构中，我们设计了一个状态估计器，用于根据时变延迟的可用知识估计当前状态，设计了一个模型预测控制器（MPC），用于无人机在避开障碍物的同时跟踪参考轨迹，并提供了一个接口，用于将高级任务卸载到边缘系统上。所提出的架构进行了验证，在两个实验测试情况下，使用四旋翼无人机。
2023-01-30 cs.RO
Reactive Collision Avoidance for Safe Agile Navigation
New York University（纽约大学）
本文提出一种仅依赖机载感知与计算的统一反应式框架，将非线性模型预测控制与自适应控制屏障函数结合，利用神经网络细化RGB-D数据并动态调整约束，在四旋翼飞行器上实现了无需环境调参和显式建图的安全敏捷避障。
2025-06-05 cs.RO
Chasing Ghosts: A Simulation-to-Real Olfactory Navigation Stack with Optional Vision Augmentation
Dept. of Computer Science University of Texas at Dallas Richardson, TX, USA（计算机科学系德克萨斯大学达拉斯分校理查德森市德克萨斯州美国）
本文提出了一种基于无人机的嗅觉导航系统，通过模拟训练和现实部署实现在线气味源定位，无需构建气体分布图或依赖外部定位系统，同时提供可选视觉增强功能。
2026-04-18 cs.RO
