Safety Assurance for Quadrotor Kinodynamic Motion Planning
Department of Mechanical and Aerospace Engineering, University of Houston, Houston TX, 77004 USA（机械与航空航天工程系，休斯顿大学，休斯顿 TX，77004 USA）
针对动力学运动规划可能违反系统安全运行约束的问题，本文提出运行时安全保障方法，结合基于采样的几何规划器与LQR控制输入安全滤波器，并在Crazyflie 2.0三维仿真中验证。
2025-07-23 cs.RO
AMSwarmX: Safe Swarm Coordination in CompleX Environments via Implicit Non-Convex Decomposition of the Obstacle-Free Space
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Technical University of Munich（慕尼黑工业大学）；Vector Institute for Artificial Intelligence（向量人工智能研究所）；University of Tartu（塔尔图大学）
本文提出AMSwarmX，一种基于交替最小化的四旋翼蜂群规划方法，通过隐式非凸分解自由空间，统一处理静态与动态碰撞，显著提升成功率、降低任务时间与计算开销，并在多达12架Crazyflie上验证。
2023-10-13 cs.RO
Motion Planning and Control of A Morphing Quadrotor in Restricted Scenarios
Fudan University（复旦大学）
针对现有变形四旋翼规划未考虑形态调整导致的安全与动态可行性问题，提出含毫秒级时空轨迹优化器和非线性姿态控制器的统一规划控制框架，经实验验证其鲁棒性与有效性。
2023-12-12 cs.RO
QuadHand: A Compact Quadrotor Aerial Manipulator with MRC-SDF-Based Whole-Body Motion Planning
Nanyang Technological University（南洋理工大学）；NTU–VinUni Joint Research Laboratory for Embodied AI and Robotics（南洋理工大学-维纳大学具身智能与机器人联合研究实验室）；VinUniversity（维纳大学）
本文提出紧凑型四旋翼空中机械臂QuadHand，结合MRC-SDF多关节机器人中心符号距离场与时空全身轨迹优化，实现复杂环境下安全可执行的空中操作。
2026-09-29 cs.RO
KinoJGM: A framework for efficient and accurate quadrotor trajectory generation and tracking in dynamic environments
Imperial College London（伦敦帝国理工学院）
未映射的区域和空气动力学干扰使四旋翼的自主导航极具挑战性。为了安全有效地飞行，轨迹规划器和跟踪器必须能够实时导航具有不可预测的空气动力学效应的未知环境。当遇到诸如强风的空气动力学效应时，用于四旋翼轨迹规划和跟踪的大多数当前方法将不会试图偏离确定的计划，即使这是有风险的，希望任何空气动力学干扰可以被鲁棒控制器抵抗。提出了一种新的自主四旋翼飞行器轨迹规划与跟踪系统框架。我们提出了一个Kinodynamic跳跃空间搜索（Kino-JSS），以产生一个安全和有效的路线在未知的环境与空气动力学干扰。采用实时高斯过程对气动干扰的影响进行建模，然后将其与模型预测控制器相结合，以实现高效准确的轨迹优化和跟踪。我们证明了我们的系统，以提高在未知环境中的轨迹生成的效率高达75\%的情况下测试，与最近的国家的最先进的。我们还证明了我们的系统提高了在选定的环境中的跟踪精度与不可预测的空气动力学效应。
2022-03-12 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
Fast Trajectory Planning for Multiple Quadrotors using Relative Safe Flight Corridor
Seoul National University（首尔国立大学）
提出了一种在障碍物密集环境下多旋翼飞行器的轨迹规划方法。提出了一种相对安全飞行走廊（RSFC）模型来描述智能体之间的安全区域，并利用相对Bernstein多项式的凸包性质生成线性约束以避免碰撞.我们的方法采用了基于图的多智能体寻路算法来生成一个初始轨迹，这是用来构建一个安全的飞行走廊（SFC）和RSFC。我们表示的轨迹作为一个分段伯恩斯坦多项式和制定的轨迹规划问题转化为一个二次规划问题，使用线性约束SFC和RSFC。所提出的方法可以在一秒钟内计算出16个智能体的无碰撞轨迹，在一分钟内计算出64个智能体的无碰撞轨迹，并通过仿真和室内飞行试验进行了验证。
2019-09-06 cs.RO cs.SY eess.SY
Decentralized Deadlock-free Trajectory Planning for Quadrotor Swarm in Obstacle-rich Environments -- Extended version
Seoul National University（首尔国立大学）；Automation and Systems Research Institute（自动化与系统研究院）
针对富障碍、通信受限环境下四旋翼集群轨迹规划易死锁的问题，提出结合基于栅格MAPP、子目标优化与LSC的去中心化MATP算法，经多场景仿真与10架真机验证，可实现无死锁安全规划且性能优于此前工作。
2023-05-01 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
Online Distributed Trajectory Planning for Quadrotor Swarm with Feasibility Guarantee using Linear Safe Corridor
Seoul National University（首尔大学）；Automation and Systems Research Institute（自动化与系统研究所）
本文提出了一种新的在线多智能体轨迹规划算法，保证在混乱的环境中生成安全，动态可行的轨迹。该算法利用线性安全走廊（LSC）将分布式轨迹优化问题转化为仅含可行约束的问题，避免了采用松弛变量或软约束来避免优化失败。我们采用一种基于优先级的目标规划方法来防止死锁，而不需要额外的过程来决定哪个机器人让步。该算法可以计算60代理的轨迹平均15.5毫秒每个代理与英特尔i7笔记本电脑，并显示了类似的飞行距离和距离相比，基线的基础上软约束。验证了所提方法在随机森林和室内空间均能无死锁地达到目标，并通过迷宫环境下10个四旋翼飞行器的实际飞行试验验证了所提方法的安全性和可操作性。
2022-01-03 cs.RO cs.SY eess.SY
Quadrotor Formation Flying Resilient to Abrupt Vehicle Failures via a Fluid Flow Navigation Function
University of Michigan（密歇根大学）；University of Arizona（亚利桑那大学）
本文开发和实验评估四旋翼编队飞行的导航功能，是弹性的突然四旋翼故障和其他障碍。导航功能基于将健康的四旋翼建模为理想流体流中的粒子。我们提供了三个关键的贡献：（一）遏制排除模式（CEM）的安全定理和证明，保证安全，并正式规定了四旋翼编队之间的最小安全距离，（二）一个实时的，计算效率高的CEM导航算法，（三）仿真和实验算法验证。首先使用六个虚拟四旋翼团队进行模拟，以通过动态滑动速度演示速度跟踪，保持足够的代理间距离，并实时操作。在室内运动捕捉飞行设施中进行了由两个定制四旋翼组成的团队的飞行测试，成功验证了导航算法可以在保证安全的同时处理非平凡的有界跟踪误差。
2022-03-03 cs.RO
Search-based Motion Planning for Quadrotors using Linear Quadratic Minimum Time Control
University of Pennsylvania（宾夕法尼亚大学）
在这项工作中，我们提出了一种基于搜索的规划方法来计算动态可行的轨迹飞行在障碍物杂乱的环境中的四旋翼。我们的方法搜索平滑，最短的时间轨迹探索地图使用一组短时间的运动原语。通过求解一个最优控制问题产生的原语，并在状态空间上引入有限格离散化，可以使用图搜索算法进行探索。所提出的方法能够生成分辨率完整（即，最优的离散空间），安全，动态可行的轨迹有效地利用显式解决方案的线性二次最小时间问题。它不假设悬停的初始条件，因此，适合于快速在线重新规划，而机器人正在移动。四旋翼导航与在线重新规划证明了使用所提出的方法在仿真和物理实验和比较轨迹生成的基础上，最先进的二次规划。
2017-09-15 cs.RO
Automatic Parameter Adaptation for Quadrotor Trajectory Planning
Zhejiang University（浙江大学）；Huzhou institute of Zhejiang University（浙江大学湖州研究院）
在线轨迹规划器使四旋翼飞行器能够在未知的混乱环境中安全平稳地航行。然而，调整参数具有挑战性，因为现代规划者已经变得过于复杂，无法进行数学建模和预测它们与非结构化环境的相互作用。这项工作需要人类的循环，提出了一个规划参数自适应框架，制定目标成两个互补的类别，并异步优化它们。分别使用贝叶斯优化（BayesOpt）和粒子群优化（PSO）优化有和无轨迹执行的目标。通过将两类目标相结合，加快了黑箱优化的总收敛速度，同时增加了优化参数的维数。基准比较表明其优于其他策略的性能。通过对障碍物密度变化的测试，验证了其实时环境适应性，这是以前手动调整困难的。不同无人机平台、环境和规划者的真实飞行显示了所提出的框架的可扩展性和有效性。
2022-07-13 cs.RO
Learning Model Predictive Control for Quadrotors
New York University（纽约大学）
本文针对四旋翼飞行器提出一种基于SO(3)xR^3流形的学习时域非线性模型预测控制策略，利用历史任务迭代提升性能并满足动力学与执行器约束，降低了计算复杂度以实现实时控制，仿真与真实实验验证了其在最短时间控制任务中的有效性。
2022-06-02 cs.RO
AirSplan: Risk-Aware Motion Planning for Quadrotors in Cluttered 3D Gaussian Splats
University of Michigan（密歇根大学）
AirSplan提出一种结合归一化3D高斯溅射场景表示与基于可达性运动规划器的系统，利用微分平坦性计算紧致碰撞约束，在杂乱环境中实现高成功率（81.2%）的四旋翼无碰撞路径规划。
2026-09-21 cs.RO
Meta-Learning Augmented MPC for Disturbance-Aware Motion Planning and Control of Quadrotors
KTH Royal Institute of Technology（瑞典皇家理工学院）；Caltech（加州理工学院）；Uppsala University（乌普萨拉大学）
针对自主飞行中的未知扰动问题，提出一种由扰动感知运动规划器和收缩控制跟踪控制器组成的框架，结合预测控制与在线学习的扰动模型，在强风等仿真中验证了安全性。
2024-12-17 cs.RO cs.SY eess.SY
Toward Impact-resilient Quadrotor Design, Collision Characterization and Recovery Control to Sustain Flight after Collisions
University of California, Riverside（加州大学河滨分校）
由于传感器空间有限和飞行控制器的局部稳定性，空中机器人的碰撞检测和恢复仍然是一个挑战。我们介绍了一种新型的碰撞弹性四旋翼，其具有顺应臂设计，以实现自由飞行，同时允许一个被动的自由度来吸收冲击。我们进一步提出了一种新的碰撞检测和表征方法的基础上霍尔传感器，以及一种新的恢复控制方法，产生和跟踪一个平滑的轨迹发生碰撞后。实验结果表明，机器人可以检测和恢复从高速碰撞与各种障碍物，如墙壁和杆。此外，它可以在基于IMU数据和接触模型的现有方法难以检测的碰撞中幸存下来，例如，当与非结构化表面碰撞时，或者在悬停时被移动障碍物击中时。
2021-06-01 cs.RO
Deep Learning for Optimization of Trajectories for Quadrotors
University of Pennsylvania（宾夕法尼亚大学）
本文提出一种结合二次规划与深度学习的四旋翼轨迹规划框架，通过神经网络学习分段轨迹的时间分配，并利用隐式优化层与惩罚函数提升训练效率和成功率，实现杂乱环境中的实时轨迹生成。
2023-12-03 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
Search-based Motion Planning for Aggressive Flight in SE(3)
University of Pennsylvania（宾夕法尼亚大学）；UC San Diego（加州大学圣迭戈分校）
具有大推重比的四旋翼能够跟踪具有急转弯和高加速度的攻击性轨迹。在这项工作中，我们开发了一种基于搜索的轨迹规划方法，利用四旋翼机动性在杂乱的环境中生成运动基元序列。我们将四旋翼机体建模为椭球体，并计算其沿轨迹的飞行姿态，以检查与障碍物的碰撞。椭圆体模型允许四旋翼以非零俯仰角或滚转角穿过小于其直径的间隙。在没有任何关于间隙位置和相关姿态约束的先验信息的情况下，我们的算法能够找到一个安全和最佳的轨迹，引导机器人尽可能快地到达目标。为了加速规划，我们首先执行一个低维搜索，并使用它作为一个启发式来指导最终的动态可行轨迹的生成。我们分析了关键的离散化参数的运动基元规划，并证明了在各种模拟和现实世界的实验中生成的轨迹的可行性。
2017-10-07 cs.RO
Teach-Repeat-Replan: A Complete and Robust System for Aggressive Flight in Complex Environments
Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一个完整的和强大的运动规划系统的自主四旋翼的侵略性飞行。所提出的方法是建立在一个经典的教学和重复的框架，这是广泛采用的基础设施检查，空中运输，搜索和救援。对于这些应用，人的意图是至关重要的，以决定无人机的飞行轨迹的拓扑结构。然而，不良的教学轨迹和不断变化的环境阻止了一个简单的教和重复系统被灵活和稳健地应用。在本文中，而不是命令无人机精确地遵循教学轨迹，我们提出了一种方法来自动转换一个人类驾驶的轨迹，这可以是任意的颠簸，拓扑等价的。生成的轨迹保证是平滑的，安全的，和kinodynamically可行的，与人类优选的侵略性。此外，为了避免在飞行过程中的未映射或动态障碍物，滑动窗口的本地感知和重新规划方法引入到我们的系统，以生成安全的本地轨迹板载。我们将我们的系统命名为teach-repeat-replan。它可以捕获用户的飞行任务的意图，将任意颠簸的教学路径转换为平滑的重复轨迹，并生成安全的局部重新规划，以避免未映射或移动的障碍物。建议的规划系统集成到一个完整的自主四旋翼与全球和本地的感知和定位子模块。我们的系统通过在具有挑战性的室内/室外环境中进行激进的飞行进行验证。我们将四旋翼系统中的所有组件作为开源的ros-packages发布。
2019-07-01 cs.RO
Distributed Stochastic Optimal Control for Pattern-Oriented Swarms
Sun Yat-sen University（中山大学）
本文提出一种基于GRF的分布式随机最优控制框架，通过贝叶斯推理和密度引导实现图案化蜂群的安全导航与自愈重构，并经仿真与实物实验验证。
2026-09-15 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
Adaptive Tracking and Perching for Quadrotor in Dynamic Scenarios
Zhejiang University（浙江大学）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）；DJI Technology Co.（大疆创新科技有限公司）；Hong Kong University of Science and Technology（香港科技大学）
本文提出一种四旋翼自适应动态跟踪与栖息方案，通过弹性可见性规划、末端调整与SE(3)轨迹优化实现与移动平台的紧密集成，并在真实车辆实验中验证了高速及倾斜栖息能力。
2024-01-18 cs.RO
Obstacle avoidance-driven controller for safety-critical aerial robots
Hamburg University of Technology（汉堡工业大学）；Institute of Mechanics and Ocean Engineering（力学与海洋工程研究所）
本论文的目的是将控制障碍函数（CBF）与模型预测控制（MPC）相结合，提出一种新的模型预测控制障碍函数（MPCBF）。可以表明，由于MPC的时间范围增加，MPCBF的性能超过CBF的性能。此外，MPCBF应用于四旋翼，一个系统强烈需要快速和预测控制。使用MPCBF，四旋翼能够避开障碍物，CBF由于障碍物的相对速度而未能避开障碍物。这项工作的结果进行了实验验证。
2020-11-19 cs.RO cs.SY eess.SY
Statistical Safety and Robustness Guarantees for Feedback Motion Planning of Unknown Underactuated Stochastic Systems
Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）；University of Michigan（密歇根大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
针对一类具有未知非线性随机欠驱动动力学的系统，提出了一种综合规划与控制的运行时安全性和目标可达性的统计保证方法.具体来说，给定一个动态数据集，我们的方法联合学习一个平均动态模型，一个空间变化的扰动界，它捕获噪声和模型失配的影响，以及一个基于收缩理论的反馈控制器，它稳定了学习的动态。我们提出了一个基于采样的规划器，使用平均动态模型，同时通过一个学习的干扰界的闭环跟踪误差的界限。我们采用极值理论（EVT）的技术来估计，到一个指定的置信水平，几个常数的特征学习组件和管理的跟踪误差界的大小。这确保了计划在运行时被安全地跟踪。我们验证，我们的保证转化为经验安全的模拟10 D四旋翼，并在现实世界中的物理CrazyFlie四旋翼和Clearpath豺狼机器人，而基线，忽略模型误差和随机性是不安全的。
2022-12-13 cs.LG cs.RO
Safety-Critical Quadrotor Navigation Using Fourth-Order Control Barrier Functions with Full Nonlinear Quadrotor Dynamics
Worcester Polytechnic Institute（伍斯特理工学院）；Nanyang Technological University（南洋理工大学）
该研究针对分层架构下四旋翼导航的平移安全目标与姿态演化不匹配问题，提出基于四阶控制障碍函数的安全控制器，结合积分高阶CBF技术，经仿真和实飞验证可实现可靠避障与安全导航。
2026-10-14 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
GustPilot: A Hierarchical DRL-INDI Framework for Wind-Resilient Quadrotor Navigation
Intelligent Space Robotics Laboratory（智能空间机器人实验室）；Center for Digital Engineering（数字工程中心）；Skolkovo Institute of Science and Technology（斯克尔科夫科学与技术研究院）
本文提出GustPilot框架，结合深度强化学习与INDI控制器，通过风感知规划和快速扰动抑制提升四旋翼在风扰环境下的导航可靠性。
2026-05-07 cs.RO
SEP-NMPC: Safety Enhanced Passivity-Based Nonlinear Model Predictive Control for a UAV Slung Payload System
Department of Earth and Space Science and Engineering, York University（地球与空间科学与工程系，约克大学）
本文提出SEP-NMPC方法，通过结合被动性理论和高阶控制屏障函数，实现无人机悬挂载具系统的稳定性与安全性保障。
2026-03-09 cs.RO cs.SY eess.SY
Trajectory and Morphology Planning for Morphing Quadrotors in Ultra-Narrow Passages using Limited Perception
Department of Civil & Environmental Engineering, Texas A&M University（土木与环境工程系，德克萨斯农工大学）
本文提出一种运动规划框架，用于在极端受限环境中为变形四旋翼规划形态和轨迹。通过开发一种新颖的障碍物避障成本函数，使四旋翼能够在有限的2D激光雷达感知下导航通过极狭窄的缝隙。
2026-11-04 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
Safe Quadrotor Navigation using Composite Control Barrier Functions
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
本文提出基于单一复合控制屏障函数的安全滤波器，在数千约束下实现四旋翼避碰，并通过室内外机载LiDAR实验验证其对朴素与对抗策略的安全性。
2025-02-06 cs.RO
MC-Swarm: Minimal-Communication Multi-Agent Trajectory Planning and Deadlock Resolution for Quadrotor Swarm
AI Institute of Seoul National University（首尔国立大学人工智能研究所）；Carnegie Mellon University（卡内基梅隆大学）；Department of Mechanical System Design Engineering, Seoul National University of Science and Technology (SEOULTECH)（首尔科学技术大学机械系统设计工程系）
提出MC-Swarm分布式四旋翼集群轨迹规划算法，仅初始阶段通信，借助协调状态更新与轨迹优化实现异步避碰和无死锁，并通过仿真与真实实验验证。
2025-05-13 cs.RO cs.SY eess.SY
Safe Learning-based Tracking Control for Quadrotors under Wind Disturbances
Sun Yat-sen University（中山大学）
对于受风干扰的空中机器人来说，执行精确轨迹跟踪的安全性至关重要。本文提出了一种基于学习的保安全级联二次规划控制（SPQC），用于风扰动下的安全轨迹跟踪。SPQC控制器由位置级控制器和姿态级控制器组成。利用高斯过程（GPs）估计风扰动引起的不确定性，设计基于名义型Lyapunov的级联二次规划（QP）控制器跟踪参考轨迹。为了避免意外的障碍物跟踪时，控制障碍函数（CBF）所代表的安全约束，强制执行每个名义QP控制器的最小修改的方式。所提出的SPQC控制器的性能示出通过数值验证（a）在不同的风干扰下的轨迹跟踪，和（b）在一个杂乱的环境中的轨迹跟踪与密集的时变障碍物场下的风干扰。
2021-04-21 cs.RO
Constrained Differentiable Policy Learning for Safe Quadrotor Navigation
National University of Singapore（新加坡国立大学）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）
本文提出一种面向安全四旋翼无人机导航的约束可微分策略学习方法，通过原始-对偶梯度下降-上升法结合有界 clearance 约束函数与 LME 聚合，实现安全与性能的平衡，策略可零样本迁移至实体四旋翼。
2026-10-14 cs.RO
Uncertainty-Aware Constraint Learning for Adaptive Safe Motion Planning from Demonstrations
University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
我们提出了一种学习的方法，以满足不确定的约束，从示范。我们的方法使用强大的优化，以获得一个信念，在潜在的无限的可能的约束与示威一致，然后使用这个信念计划的轨迹，权衡性能与满足可能的约束。我们在一个闭环策略中使用这些轨迹，该策略使用信念更新来执行和重新运行，其中包含执行过程中收集的数据。我们得到保证我们的约束信念和概率保证计划的安全性的准确性。我们提出了一个7自由度的手臂和12维四旋翼的结果，表明我们的方法可以学习，以满足高维（高达30 D）的不确定性约束，并优于基线的安全性和效率。
2020-11-09 cs.LG cs.RO cs.SY
Safe Controller Optimization for Quadrotors with Gaussian Processes
ETH Zurich（苏黎世联邦理工学院）；University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
在设计动态系统控制器时，最基本的问题之一是控制器参数的整定。通常，系统的模型用于获得初始控制器，但最终必须在真实系统上手动调整控制器参数以实现最佳性能。为了避免这种手动调整步骤，已经使用了来自机器学习的方法，例如贝叶斯优化。然而，由于这些方法在实际系统上评估不同的控制器参数，可能会发生安全关键系统故障。在本文中，我们克服了这个问题的应用，第一次，最近开发的安全优化算法，SafeOpt，自动控制器参数整定的问题。给定一个初始的低性能控制器，SafeOpt自动优化控制律的参数，同时保证安全。它将底层的性能度量建模为高斯过程，并且仅探索其性能以高概率高于安全性能阈值的新控制器参数。四旋翼飞行器的实验结果表明，该方法能够快速，自动和安全的控制器参数优化，无需人工干预。
2017-08-16 cs.RO
Safe and Stable Teleoperation of Quadrotor UAVs under Haptic Shared Autonomy
Boston University（波士顿大学）；Mechanical Engineering（机械工程学院）
该研究在触觉共享自主框架下，结合控制屏障函数与微分约束提出两种控制-力反馈设计路径，实现四旋翼无人机触觉遥操作的安全稳定，并通过仿真与实体实验验证方法特性。
2024-03-22 cs.RO
EVA-Planner: Environmental Adaptive Quadrotor Planning
Zhejiang University（浙江大学）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）；National Engineering Research Center for Industrial Automation (Ningbo Institute)（工业自动化国家工程研究中心（宁波研究院））
四旋翼飞机由于其卓越的敏捷性和灵活性而广泛用于具有挑战性的环境中。在这些场景中，轨迹规划在生成安全运动以避开障碍物同时确保飞行平稳性方面起着至关重要的作用。虽然已经提出了许多关于四旋翼规划的工作，但在将自适应纳入规划框架以使无人机能够在密集环境中自动飞行较慢并在更安全的区域中增加其速度方面存在研究差距。本文提出了一种环境自适应规划器，根据障碍物分布和四旋翼状态有效地调整飞行攻击性。首先，我们设计了一种环境自适应安全感知方法，根据环境风险水平和瞬时运动趋势来分配周围障碍物的优先级。然后，我们将其应用到一个多层模型预测轮廓控制（多MPCC）框架，以产生自适应的，安全的，动态可行的局部轨迹。大量的模拟和真实世界的实验验证了我们的规划框架的效率和鲁棒性。基准比较也显示了优越的性能，我们的方法与另一种先进的环境自适应规划算法。此外，我们将我们的规划框架作为开源的ros-packages发布。
2021-07-05 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
PE-Planner: A Performance-Enhanced Quadrotor Motion Planner for Autonomous Flight in Complex and Dynamic Environments
University of Science and Technology of China（中国科学技术大学）
本文提出了一种性能增强的四旋翼运动规划器PE-Planner，通过结合运动学路径搜索与B样条优化的全局规划器及基于模型预测轮廓控制的局部规划器，实现了在复杂动态环境中的快速、安全和稳健的自主飞行。
2024-03-19 cs.RO
Unifying Foundation Models with Quadrotor Control for Visual Tracking Beyond Object Categories
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
本文提出结合基础模型检测器、多层跟踪器与无模型控制器的四旋翼视觉跟踪框架，仅用机载相机和IMU即可在复杂室内外实现超越类别的鲁棒实时跟踪。
2024-04-08 cs.RO
CALOS: Control-Affine Lyapunov On-manifold Safety Layer for Safe Deep Reinforcement Learning for Quadrotors
University of Bologna（博洛尼亚大学）
CALOS提出一种基于控制仿射李雅普诺夫函数的运行时安全层，通过二次规划修正四旋翼策略输出，在Isaac Lab中实现零姿态违规并将横向误差降低55-60%，同时加速训练收敛。
2026-09-17 cs.AI cs.RO
Escape-Aware Control Barrier Functions for Quadrotor Safety under Body-Rate Limits
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Southeast University（东南大学）；The Hong Kong Polytechnic University（香港理工大学）
针对四旋翼在机体角速度限制下的安全问题，提出逃逸感知控制障碍函数，通过增广状态刻画认证差距，在实验中实现全部场景成功，优于现有方法。
2026-09-16 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
Optimal Trajectory Planning for Cooperative Manipulation with Multiple Quadrotors Using Control Barrier Functions
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
提出基于控制屏障函数的多四旋翼协同操作轨迹规划算法，通过凸多面体建模和对偶定理降低计算复杂度，实现六自由度避障和安全轨迹生成。
2025-03-04 cs.RO
Autonomous Quadrotor Flight despite Rotor Failure with Onboard Vision Sensors: Frames vs. Events
University of Zurich（苏黎世大学）；Delft University of Technology（代尔夫特理工大学）
容错控制对于四旋翼等安全关键系统至关重要。最先进的飞行控制器可以稳定和控制四旋翼机，即使在完全失去旋翼的情况下。然而，这些方法依赖于外部传感器，例如GPS或运动捕捉系统，用于状态估计。据我们所知，仅使用机载传感器还无法实现这一目标。在本文中，我们提出了第一个算法，结合容错控制和板载基于视觉的状态估计，以实现位置控制的四旋翼受到一个转子完全故障。实验验证表明，我们的方法是能够准确地控制在电机故障的情况下，没有任何外部传感器的帮助下，四旋翼的位置。对基于视觉的状态估计的主要挑战源于损坏的四旋翼的不可避免的高速偏航旋转（超过20 rad/s），导致相机的运动模糊，这对视觉惯性里程计（VIO）是有害的。我们比较了两种类型的视觉输入的基于视觉的状态估计算法：标准帧和事件。实验结果表明，由于其固有的高动态范围和高时间分辨率，使用事件相机的优势，特别是在弱光环境中。我们相信，我们的方法将使自主四旋翼在GPS拒绝或退化的环境中更安全。我们将控制器和VIO算法开源。
2021-02-26 cs.RO
Flying to Image-Specified Objects: 3D Quadrotor Navigation via Cross-Graph Memory and Viewpoint Planning
提出分层导航框架，通过视点感知动作节点和轻量语义记忆，实现四旋翼在连续3D空间中高效、安全地导航至查询图像中的目标物体。
2026-06-29 cs.RO
From Propeller Damage Estimation and Adaptation to Fault Tolerant Control: Enhancing Quadrotor Resilience
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
本文提出一种结合L1自适应控制与容错切换的螺旋桨损伤检测与补偿方案，并在四旋翼飞行器上实时验证了其在单桨或双桨损伤下的鲁棒飞行性能。
2024-03-14 cs.RO
Task-Adaptive Admittance Control for Human-Quadrotor Cooperative Load Transportation with Dynamic Cable-Length Regulation
Dept. of Mechanical Engineering, Stevens Institute of Technology（机械工程系，史蒂文斯理工学院）
本文提出一种任务自适应阻抗控制器，用于安全高效的四旋翼协作负载运输，通过主动控制的绞盘实现动态缆长调节，提升系统响应性和运动平滑度。
2026-04-20 cs.RO
WESPR: Wind-adaptive Energy-Efficient Safe Perception & Planning for Robust Flight with Quadrotors
University of Maryland, College Park（马里兰大学学院公园分校）
WESPR通过预测环境几何对局部风的影响，实现四旋翼无人机的风适应性路径规划与控制优化，显著提升飞行稳定性与路径精度。
2026-08-20 cs.RO
Sim-to-(Multi)-Real: Transfer of Low-Level Robust Control Policies to Multiple Quadrotors
University of Southern California（南加州大学）
四旋翼稳定控制器通常需要仔细的、特定于模型的调整以实现安全操作。我们使用强化学习来训练仿真中的策略，这些策略可以很好地转移到多个不同的物理四旋翼。我们的政策是低层次的，即，我们将旋翼机的状态直接映射到发动机输出。经过训练的控制策略对外部干扰非常鲁棒，并且可以承受诸如投掷之类的苛刻初始条件。我们展示了不同的训练方法（改变成本函数，噪声建模，使用域随机化）可能会影响飞行性能。据我们所知，这是第一个工作，证明了一个简单的神经网络可以学习一个强大的稳定低级别的四旋翼控制器（不使用稳定PD控制器），被证明推广到多个四旋翼。
2019-04-16 cs.RO
Technical Report: Safe, Aggressive Quadrotor Flight via Reachability-based Trajectory Design
Mechanical Engineering, University of Michigan, Ann Arbor, MI（机械工程，密歇根大学，安娜堡，MI）
本文提出了一种基于可达性的四旋翼飞行轨迹设计方法，通过在线规划中创新性地使用Zonotopes来确保在存在轨迹依赖性跟踪误差的情况下飞行安全，实验显示在500个随机复杂环境中实现了最高5m/s的激进飞行且无碰撞。
2019-06-18 cs.RO cs.SY eess.SY
