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
Learning Quadrotor Dynamics Using Neural Network for Flight Control
University of California, Berkeley（加州大学伯克利分校）
本文研究通过神经网络学习四旋翼动力学以合成不同轨迹的控制器，验证了仅使用平移和旋转轨迹训练模型的有效性。
2016-10-19 cs.RO cs.SY eess.SY
QuaDUE-CCM: Interpretable Distributional Reinforcement Learning using Uncertain Contraction Metrics for Precise Quadrotor Trajectory Tracking
Imperial College London（帝国理工学院）
精度和稳定性是四旋翼轨迹跟踪系统的共同要求。设计一个精确和稳定的跟踪控制器仍然具有挑战性，特别是在未知的和动态的环境中，复杂的气动干扰。我们提出了一种基于分位数近似的分布增强不确定性估计（ADDUE），以准确地识别气动干扰的影响，即，真实和估计的控制收缩率之间的不确定性。从收缩理论中获得灵感，并将不确定性的ESDUE整合在一起，我们的新的基于CCM的轨迹跟踪框架精确地跟踪任何可行的参考轨迹，同时保证指数收敛。更重要的是，分布式强化学习的收敛性和训练加速分别从理论上得到了保证和分析。我们还展示了我们的系统在未知的和不同的空气动力。在大空气动力（> 2 m/s^2）下，与经典的数据驱动方法相比，我们的QuaDUE-CCM在跟踪误差方面至少提高了56.6%。与基于RL的分布式方法MANDRED MPC相比，MANDUE CCM在收缩率上至少提高了3倍。
2022-07-15 cs.RO cs.SY eess.SY
Design and Evaluation of Motion Planners for Quadrotors in Environments with Varying Complexities
University of Pennsylvania（宾夕法尼亚大学）
针对四旋翼运动规划器设计难依环境预先选型的问题，研究构建了参数化环境与规划难度指标，开发可整合多类两阶段规划器的开源栈，实验验证几何前端加动力学感知后端可适配不同复杂度环境。
2024-03-07 cs.RO
$\mathcal{L}_1$Quad: $\mathcal{L}_1$ Adaptive Augmentation of Geometric Control for Agile Quadrotors with Performance Guarantees
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Alabama（阿拉巴马大学）
针对模型不确定与外部扰动下的四旋翼控制问题，提出 L1Quad 架构，结合几何与 L1 自适应控制器确保 SE(3) 上瞬态有界，经 11 类不确定性实验验证其跟踪误差小且优于现有控制器。
2024-12-19 cs.RO cs.SY eess.SY
Control of Unknown Quadrotors from a Single Throw
Faculty of Aerospace Engineering, Delft University of Technology（代尔夫特理工大学航空航天工程学院）
本文提出利用高频旋翼转速反馈和递归最小二乘估计，在450毫秒内在线辨识未知四旋翼的控制参数，并通过INDI姿态控制器与NDI位置控制器实现从单次抛掷中的稳定恢复，实验验证了其鲁棒性和高效性。
2024-08-30 cs.RO cs.SY eess.SY
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
FlightBench: Benchmarking Learning-based Methods for Ego-vision-based Quadrotors Navigation
Tsinghua University（清华大学）；Shanghai Qi Zhi Institute（上海启智研究院）
本文提出FlightBench基准，评估基于学习的无人机第一视角导航方法，发现其在高速飞行和推理速度上占优，但在急转弯和视野遮挡场景中表现不佳，并验证了难度标准与性能的相关性。
2025-05-19 cs.RO
Model-assisted Reinforcement Learning of a Quadrotor
Lund University（隆德大学）
针对强化学习在四旋翼控制中缺乏鲁棒性和可解释性的问题，提出模型辅助强化学习，通过多目标优化引入保守性，并用HJ PDE验证其优势。
2023-11-12 cs.RO
FLYINGTRUST: A Benchmark for Quadrotor Navigation Across Scenarios and Vehicles
School of Electronics and Communication Enginnering, Sun Yet-sen University, Shenzhen, China（电子与通信工程学院，孙逸森大学，深圳，中国）；Tianwei Xunda (Hunan) Technology Co., Ltd., Hunan, China（天威湘电（湖南）科技有限公司，湖南，中国）
用于四旋翼的视觉导航算法在跨不同的车辆平台和场景几何形状传输时通常表现出很大的性能变化，这增加了现场部署的成本和风险。为了支持系统的早期评估，我们引入了FLYINGTRUST，一个高保真，可配置的基准框架，测量平台Kinodynamics和场景结构如何共同影响导航的鲁棒性。FLYINGTRUST通过两个紧凑的、物理上可解释的指标对车辆性能进行建模：最大推重比和轴向最大角加速度。该基准将不同的场景库与一组异构的真实和虚拟平台配对，并规定了一个标准化的评估协议以及一个综合评分方法，该方法平衡了场景重要性、平台重要性和性能稳定性。我们使用FLYINGTRUST在相同条件下比较代表性的基于优化和基于学习的导航方法，对每个平台场景组合进行重复试验，并报告不确定性感知指标。结果揭示了系统的模式：导航的成功取决于平台的能力和场景的几何形状，不同的算法表现出不同的偏好和故障模式的评估条件。这些观察结果突出了将平台能力和场景结构纳入算法设计、评估和选择的实际必要性，并且它们激励了在不同平台和场景中保持稳健的方法的未来工作。
2025-10-30 cs.RO
Visual Environment Assessment for Safe Autonomous Quadrotor Landing
New York University, Tandon School of Engineering（纽约大学坦登工程学院）；University of Padua（帕多瓦大学）
本文提出一种融合神经网络语义信息与视差图几何属性的实时视觉方法，用于评估和选择安全着陆区域，使四旋翼在无GPS和有限算力条件下实现自主安全着陆。
2024-05-03 cs.CV cs.RO
Wall Inspector: Quadrotor Control in Wall-proximity Through Model Compensation
Hong Kong Polytechnic University（香港理工大学）；University of California Berkeley（加州大学伯克利分校）
针对近墙飞行中的吸力扰动，提出吸力模型与SC-MPC框架，实现高精度轨迹跟踪，位置误差较PID和标准MPC显著降低。
2025-09-25 cs.RO
Experience Selection Using Dynamics Similarity for Efficient Multi-Source Transfer Learning Between Robots
University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（向量人工智能研究所）
在机器人技术文献中，已经提出了不同的知识转移方法来利用来自源任务或机器人（真实或虚拟）的经验来加速新任务或机器人的学习过程。一个常见但不常检验的假设是，将来自源任务或机器人的经验合并将是有益的。在实践中，不适当的知识转移可能导致负转移或不安全行为。在这项工作中，从鲁棒控制理论的系统间隙度量的启发，$ν$间隙，我们提出了一个数据有效的算法来估计对机器人系统之间的相似性。在一个多源机器人间的迁移学习设置，我们表明，这种相似性度量允许我们预测相对传输性能，从而信息选择的经验，从源机器人知识转移之前。我们证明了我们的方法与四旋翼实验，在那里我们从一个真正的或虚拟的源四旋翼的逆动力学模型，以提高目标四旋翼的跟踪性能在任意手绘轨迹。我们表明，选择经验的基础上提出的相似性度量有效地促进了目标四旋翼的学习，提高了62%的性能相比，一个糟糕的选择经验。
2020-03-29 cs.LG cs.RO cs.SY
Curriculum-based Sample Efficient Reinforcement Learning for Robust Stabilization of a Quadrotor
Luleå University of Technology（吕勒奥理工大学）
本文提出一种样本高效课程学习方法，通过分阶段递增任务复杂度，提升四旋翼机在随机初始条件下的稳定控制性能，减少计算资源和训练时间。
2026-04-13 cs.AI cs.RO
Quaternion-based Adaptive Backstepping Fast Terminal Sliding Mode Control for Quadrotor UAVs with Finite Time Convergence
Carleton University（卡尔顿大学）
本文针对四旋翼无人机轨迹跟踪中的奇异性与不确定性问题，提出基于四元数的自适应反步控制和自适应快速终端滑模控制方法，实现有限时间收敛并抑制控制抖振。
2024-07-31 cs.RO cs.SY eess.SY
Adaptive Backstepping and Non-singular Sliding Mode Control for Quadrotor UAVs with Unknown Time-varying Uncertainties
Carleton University（卡尔顿大学）
针对四旋翼无人机位置姿态跟踪的奇异性与精度难题，提出级联的基于四元数的自适应反步控制与非奇异滑模控制方案，通过自适应律更新参数，保证渐近稳定性，在未知时变不确定性和大初始误差下仍具良好控制效果。
2024-07-13 cs.RO cs.SY eess.SY
A New Type of Axis-Angle Attitude Control Law for Rotational Systems: Synthesis, Analysis, and Experiments
在过去的几十年里，基于连续四元数的姿态控制已被证明是非常有效的驱动旋转系统，可以建模为刚体，如卫星和无人机。然而，基于这种方法的方法并不强制存在唯一的闭环（CL）平衡姿态误差四元数（AEQ）;并且，对于绕姿态误差欧拉轴大于πrad的旋转误差，其比例控制效果随着系统状态远离CL旋转动力学的稳定平衡而减弱。在本文中，我们介绍了一种新的类型的姿态控制法，更有效地利用姿态误差欧拉轴角信息，以保证一个独特的CL平衡AEQ，并提供更大的灵活性，在使用比例控制的努力。此外，使用两种不同的控制律为例，通过一个严格的李雅普诺夫函数的CL动力学的建设，我们证明了由此产生的唯一平衡CL旋转系统可以强制一致渐近稳定。为了评估和证明所提出的方法的功能和性能，我们进行了数值模拟，并使用小型四旋翼机执行了数十次实时翻滚-恢复机动。这些仿真和飞行试验令人信服地表明，所提出的轴角为基础的方法实现了优越的飞行性能相比，使用高性能的四元数为基础的模糊控制器的稳定时间。
2025-10-29 cs.RO cs.SY eess.SY
Geometric Fault-Tolerant Control of Quadrotors in Case of Rotor Failures: An Attitude Based Comparative Study
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
本文针对四旋翼单、双旋翼完全故障，扩展 $SO(3)\times\mathbb{R}^3$ 几何跟踪控制器，并比较多种姿态误差指标，以提升轨迹跟踪容错性能。
2023-09-26 cs.RO
Learning Smooth SE(3) Trajectories under Left-Invariant Riemannian Metrics
University of Pennsylvania（宾夕法尼亚大学）
该研究针对SE(3)轨迹生成的计算成本问题，提出基于学习的框架，用神经网络参数化多项式系数与时长，生成的轨迹近似数值优化解且推理达毫秒级，可用于机器人运动原语及四旋翼飞行优化。
2026-08-04 cs.RO
Lightweight Tracking Control for Computationally Constrained Aerial Systems with the Newton-Raphson Method
本文提出基于牛顿-拉夫森方法的轻量跟踪控制器，用于微型球形飞行器和中型四旋翼无人机，通过实测验证其在计算约束下的性能优势。
2026-03-26 cs.RO cs.SY eess.SY
A Lyapunov-Based Switching Scheme for Selecting the Stable Closed-Loop Fixed Attitude-Error Quaternion During Flight
Washington State University（华盛顿州立大学）；California Institute of Technology（加州理工学院）；School of Mechanical and Materials Engineering, Washington State University（华盛顿州立大学机械与材料工程学院）
本文提出一种基于李雅普诺夫函数的切换控制方案，通过实时选择最小代价的稳定闭环姿态误差四元数，在31克四旋翼飞行实验中显著降低了控制代价和旋转功率。
2024-10-21 cs.RO cs.SY eess.SY
Controller Synthesis for Multi-Agent Systems With Intermittent Communication: A Metric Temporal Logic Approach
Oden Institute for Computational Engineering and Sciences, University of Texas, Austin（得克萨斯大学奥斯汀分校奥登计算工程与科学研究所）；University of Florida（佛罗里达大学）
针对具有间歇通信的多智能体系统，提出了一种控制器综合方法。我们采用了Leader-Follower方案，其中具有绝对位置传感器的移动领导者在一组没有绝对位置传感器的跟随者之间切换，为每个跟随者提供间歇性的状态信息。追随者将渐进地达到预定的共识状态。为了保证切换系统的稳定性和追随者的共识，我们推导出最大和最小停留时间条件，以约束连续的时刻之间的间隔，在该时刻的领导者应该提供状态信息，以相同的追随者。此外，领导者需要满足实际约束，例如充电和停留在特定的兴趣区域。最大和最小驻留时间条件以及这些实际约束都可以用度量时态逻辑（MTL）规范来表示。我们迭代计算最优控制输入，使领导者满足MTL规范，同时保证稳定性和共识的追随者。我们实施所提出的方法的案例研究与三个移动机器人的追随者和一个四旋翼作为领导者。
2019-09-22 cs.RO cs.SY eess.SY
A Hybrid Compositional Approach to Optimal Mission Planning for Multi-rotor UAVs using Metric Temporal Logic
Institute for Systems Research（系统研究所）
本文提出了一种混合组合方法，用于多旋翼无人机在受约束环境中的时间敏感搜索救援任务规划，通过将度量时序逻辑形式化描述任务规范，并利用混合模型捕捉无人机的各种操作模式，将任务分解为子任务并使用混合整数线性规划求解器求解最优路径，从而降低计算复杂度并实现实时应用。
2019-09-19 cs.RO cs.SY eess.SY
Learning Agile Flight Maneuvers: Deep SE(3) Motion Planning and Control for Quadrotors
National University of Singapore（新加坡国立大学）；ST Engineering（新加坡科技工程有限公司）
本文提出一种基于深度强化学习的四旋翼敏捷飞行方法，通过DNN参数化模型预测控制参考，结合强化-模仿训练和二分搜索，实现动态窄门穿越，仿真验证鲁棒性。
2026-09-15 cs.RO cs.SY eess.SY
A New Simulation Metric to Determine Safe Environments and Controllers for Systems with Unknown Dynamics
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种基于规范的仿真度量（SPEC），用于在系统动态未知的情况下，通过更严格的规范修改来合成安全控制器，从而扩大安全环境集。
2019-02-27 cs.RO cs.SY eess.SY
Learning Stabilizable Dynamical Systems via Control Contraction Metrics
Dept. of Aeronautics and Astronautics, Stanford University（航空航天系，斯坦福大学）；Google Brain Robotics, New York（谷歌大脑机器人，纽约）；Dept. of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院）
本文提出了一种新的框架，用于学习可稳定化的非线性动态系统，以实现机器人连续控制任务。核心方法是开发一种基于稳定性的控制理论正则化器，以确保学习到的系统可以配备一个稳健的控制器，能够稳定任何系统生成的开环轨迹。通过利用收缩理论、统计学习和凸优化工具，我们提供了一个通用且可操作的半监督算法来学习可稳定化的动态系统，可以应用于复杂的欠驱动系统。在模拟平面四旋翼系统上验证了所提算法，并观察到与传统回归技术学习的模型相比，使用控制理论正则化模型在轨迹生成和跟踪性能上有显著改进，尤其是在使用少量示范示例时。结果展示了将标准基于模型的强化学习算法与非线性控制理论概念结合的必要性，以提高可靠性。
2018-11-11 cs.LG cs.RO cs.SY
YOPOv2-Tracker: An End-to-End Agile Tracking and Navigation Framework from Perception to Action
Tianjin University（天津大学）
针对传统目标跟踪流程高延迟、限制四旋翼敏捷性的问题，本文提出端到端YOPOv2-Tracker框架，以运动基元锚点和轨迹代价梯度训练连接感知与控制，并通过真实环境验证。
2025-05-11 cs.RO
Learned Risk Metric Maps for Kinodynamic Systems
Massachusetts Institute of Technology（麻省理工学院）
我们提出了学习的风险度量地图（LRMM）的实时估计的相干风险度量的高维动力系统在非结构化的，部分观测的环境中运行。LRMM模型的设计和训练简单-只需要程序生成的障碍集，状态和控制采样，并监督训练的函数逼近器-这使得它们广泛适用于任意系统动力学和障碍集。在一个平行的自治设置，我们展示了模型的能力，快速推断碰撞概率的快速移动的汽车一样的机器人鲁莽驾驶在障碍物的环境中，允许LRMM代理进行干预，控制车辆，并避免碰撞。在这种时间关键的情况下，我们表明，LRMM可以评估风险指标20- 100倍的速度比替代安全算法的基础上控制障碍函数（CBF）和汉密尔顿-雅可比可达性（HJ-到达），导致5- 15%的障碍碰撞LRMM代理比CBF和HJ-到达。尽管LRMM模型只能访问障碍物的局部/部分观察，而CBF和HJ到达代理被授予特权/全局信息，但这种性能改进仍然存在。我们还表明，我们的模型可以同样很好地训练12维四旋翼系统在一个有障碍的室内环境中运行。LRMM代码库在https://github.com/mit-drl/pyrmm上提供。
2023-02-28 cs.LG cs.RO
Model Error Propagation via Learned Contraction Metrics for Safe Feedback Motion Planning of Unknown Systems
University of Michigan（密歇根大学）
我们提出了一种基于收缩的反馈运动规划的局部增量指数稳定系统的未知动态，提供概率安全性和可达性保证的方法。给定一个动态数据集，我们的方法学习动态的深度控制仿射近似。为了找到一个可信的域，这个模型可以用于规划，我们获得了一个估计的Lipschitz常数的模型误差，这是有效的，在一个区域周围的训练数据，提供了一个本地的，空间变化的模型误差范围。我们推导出一个轨迹跟踪误差界的收缩为基础的控制器，受到这个模型误差，然后学习控制器，优化这个跟踪界。在给定的概率下，验证了控制器的正确性和可信域中跟踪误差界的正确性。然后，我们使用与可信域绑定在一起的轨迹误差来指导基于采样的规划器返回可以在执行中鲁棒跟踪的轨迹。我们展示了4D汽车，6D四旋翼和22D可变形物体操作任务的结果，显示我们的方法使用高维欠驱动系统的学习模型安全地计划，而不考虑跟踪误差范围或可信域的基线计划可能无法稳定系统并变得不安全。
2022-03-01 cs.LG cs.RO cs.SY
