Ground and Flight Locomotion for Two-Wheeled Drones via Model Predictive Path Integral Control
Nagoya Institute of Technology（名古屋工业大学）；Nagoya University（名古屋大学）
针对传统两轮无人机运动规划依赖梯度优化、难以处理任意形状障碍物的问题，提出基于MPPI控制的多模式运动规划方法，通过切换控制空间与引入辅助控制器解决模式切换不稳定问题，实现非结构化环境下的有效避障导航。
2025-03-20 cs.RO cs.SY eess.SY
Design and Flight Demonstration of a Quadrotor for Urban Mapping and Target Tracking Research
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文设计并演示了一种配备五摄像头和机载Jetson Orin Nano的小型四旋翼无人机，实现GPS目标自主跟踪与DSO环境建图，并通过飞行测试验证了系统性能。
2024-03-15 cs.CV cs.RO cs.SY
VisFly: An Efficient and Versatile Simulator for Training Vision-based Flight
本文提出四旋翼模拟器 VisFly，利用 Habitat-Sim 高帧率渲染、可微物理和 Gym 接口支持强化学习训练视觉飞行策略，并通过三个典型任务示例验证。
2024-09-09 cs.RO
Simple but Stable, Fast and Safe: Achieve End-to-end Control by High-Fidelity Differentiable Simulation
Shanghai Jiao Tong University（上海交通大学）；Kunshan Duke University（昆山杜克大学）
本文提出一种端到端策略，通过可微模拟直接将深度图像映射为低级身体速率指令，提升四旋翼飞行器的避障能力与稳定性。
2026-04-16 cs.RO
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
ABPT: Amended Backpropagation through Time with Partially Differentiable Rewards
SEIEE Shanghai Jiao Tong University（上海交通大学电子信息学院）
针对四旋翼控制中部分可微奖励导致BPTT梯度偏差的问题，提出结合0步与N步回报、利用Q值函数值梯度的ABPT方法，辅以熵正则化等机制，在仿真与真实飞行任务中实现更快收敛和更高奖励。
2025-05-21 cs.AI cs.LG cs.RO
Data-Based MHE for Agile Quadrotor Flight
School of Aerospace and Mechanical Engineering, The University of Oklahoma（俄克拉荷马大学航空航天与机械工程学院）
本文提出一种基于高斯过程建模气动效应并集成至MHE的数据驱动方法，用于敏捷四旋翼飞行器的状态估计，显著提升了估计精度与鲁棒性，同时降低计算负担。
2023-07-31 cs.RO
OA-MPPI: Occlusion-Aware Model Predictive Path Integral Control for UAV Flight
University of California, Berkeley（加州大学伯克利分校）
本文提出OA-MPPI，一种遮挡感知的模型预测路径积分控制方法，通过提取三维遮挡边界并惩罚进入潜在隐藏代理可达区域的轨迹，提升无人机在杂乱环境中的飞行安全性，并在仿真和硬件实验中验证了有效性。
2026-09-25 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
Flight Dynamics-based Recovery of a UAV Trajectory using Ground Cameras
Computer Vision Laboratory, EPFL（洛桑联邦理工学院计算机视觉实验室）；Microsoft Research（微软研究院）
我们提出了一种新的方法来估计飞行物体的6自由度轨迹，如四旋翼无人机在三维空域使用多个固定的地面摄像机监测。它是基于一个新的运动恢复结构制定一个单一的移动点的三维重建与已知的运动动力学。我们的主要贡献是一个新的光束法平差程序，除了优化相机的姿势，正则化的点轨迹使用之前的运动动力学（或特别是飞行动力学）的基础上。此外，我们可以推断出发送到无人机自动驾驶仪的基本控制输入，该输入决定了其飞行轨迹。我们的方法既不需要完美的单视图跟踪，也不需要跨视图的外观匹配。为了鲁棒性，我们允许跟踪器在每个视频中每帧生成多个检测。使用鲁棒的多视图三角测量来估计视频之间的真实检测和数据关联，并随后在我们的光束法平差过程中进行细化。仿真数据的定量评价和室内、室外场景的真实视频实验表明了该方法的有效性。
2017-11-21 cs.CV cs.RO
Flexible Computation Offloading at the Edge for Autonomous Drones with Uncertain Flight Times
University of Thessaly（色萨利大学）
针对资源受限的无人机与边缘服务器计算卸载问题，提出一种动态去中心化的协议与资源预留方案，使无人机自主决定是否卸载计算任务，实验证明该方法显著缩短了任务时间并优于多种基线策略。
2023-10-18 cs.RO cs.SY eess.SY
High-Speed Vision-Based Flight in Clutter with Safety-Shielded Reinforcement Learning
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）；Differential Robotics（微分机器人）
提出一种结合模型安全机制的端到端强化学习框架，通过物理信息奖励和实时安全滤波器实现高速飞行与严格避障，在杂乱环境和森林中速度达7.5 m/s。
2026-07-01 cs.RO
MetaTune: Adjoint-based Meta-tuning via Robotic Differentiable Dynamics
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；School of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电气与计算机工程系）；The Shenzhen Huazhong University of Science and Technology Research Institute（华中科技大学深圳研究院）
本文提出MetaTune框架，通过可微闭环元学习实现反馈控制器与扰动观测器的联合自调优，减少计算复杂度并提升鲁棒性。
2026-07-03 cs.RO
Autonomous FPV Flight with Translational Optical Flow and Uncertainty Mask
Shanghai Jiao Tong University（上海交通大学）
提出利用平移光流和不确定性掩膜增强FPV四旋翼自主飞行，在仿真和真实森林环境中实现高达13.91 m/s和11.79 m/s的飞行速度，成功率93.3%。
2026-06-08 cs.RO
Deep Drone Racing: Learning Agile Flight in Dynamic Environments
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；Intel Labs（英特尔实验室）
自主敏捷飞行给机器人技术带来了根本性的挑战，例如应对不可靠的状态估计，对动态变化的环境做出最佳反应，以及在严重的资源约束下实时的耦合感知和动作。在本文中，我们认为这些挑战的背景下，自主的，基于视觉的无人机赛车在动态环境中。我们的方法将卷积神经网络（CNN）与最先进的路径规划和控制系统相结合。CNN直接将原始图像映射为路点和期望速度形式的鲁棒表示。然后，规划器使用该信息来生成短的、最小加加速度的轨迹段和相应的电机命令，以达到期望的目标。我们展示了我们的方法在自主敏捷飞行的情况下，其中一个基于视觉的四旋翼机穿越无人机赛车轨道可能移动门。我们的方法不需要任何显式的环境地图，并完全板载运行。我们广泛测试的精度和鲁棒性的方法在模拟和物理世界。我们还评估了我们的方法对国家的最先进的导航方法和专业的人类无人机飞行员。
2018-10-09 cs.RO
Learning Flight Control Systems from Human Demonstrations and Real-Time Uncertainty-Informed Interventions
University of Florida（佛罗里达大学）；U.S. Army Research Laboratory（美国陆军研究实验室）；Air Force Research Lab（空军研究实验室）
本研究提出一种结合人类演示、实时干预与不确定性估计的飞行控制学习方法，通过模仿学习初始化模型，借蒙特卡洛随机失活检测不确定性并触发人类干预，在四旋翼着陆任务中验证了其快速教学与模型适配能力。
2023-05-01 cs.RO
Flying through cluttered and dynamic environments with LiDAR
Department of Mechanical Engineering, University of Hong Kong（香港大学机械工程系）
本文提出一种基于LiDAR的完整系统，集成M-detector感知与DynIPC规划，使无人机在杂乱动态环境中实时规避移动障碍，仿真与实测验证其优越性。
2025-04-24 cs.RO cs.SY eess.SY
The NederDrone: A hybrid lift, hybrid energy hydrogen UAV
TUDelft（代尔夫特理工大学）
许多无人机应用需要垂直起降（VTOL），并结合非常长的航程或续航时间。过渡型无人机已经被提议将直升机的垂直起降能力与固定翼飞机的有效远程飞行特性结合起来。但能源仍然是许多电动长续航应用的瓶颈。虽然太阳能技术和电池技术已经有了很大的改进，但在恶劣的条件下，它们仍然分别缺乏许多现实世界情况所需的功率或能量总量。在本文中，我们介绍了NederDrone，一种混合升力，混合能源氢动力无人机，它可以使用12个螺旋桨进行垂直起飞和降落，同时由于其固定翼而在向前飞行中高效飞行。能量由氢驱动燃料电池的混合提供，以存储大量能量和电池电量，用于高功率情况。氢气储存在一个加压气缸中，无人机围绕该气缸进行优化。本文分析了概念的选择，实施的安全元件，电子和飞行控制，并显示飞行数据，包括3小时38分在海上飞行，启动和降落在一个小的移动船舶。
2020-11-08 cs.RO
Trust-Region Neural Moving Horizon Estimation for Robots
National University of Singapore（新加坡国立大学）
本文提出信任域策略优化方法训练神经移动时域估计器，利用MHE Hessian实现高效计算，在真实四旋翼数据上以极少参数和5分钟内训练，力估计精度提升68.1%，鲁棒性更强。
2026-09-15 cs.RO cs.SY eess.SY
Time-Optimal Online Replanning for Agile Quadrotor Flight
University of Zurich（苏黎世大学）
在本文中，我们解决的问题，飞行四旋翼使用时间最优控制政策，可以重新规划在线时，环境的变化或遇到未知的干扰。这个问题是具有挑战性的，因为考虑全四旋翼动力学的时间最优轨迹的生成在计算上是昂贵的（几分钟甚至几小时的数量级）。我们介绍了一种基于采样的方法，有效地产生的点质量模型的时间最优路径。然后，使用模型预测轮廓控制方法来跟踪这些路径，该方法考虑全四旋翼动力学和单旋翼推力极限。我们的组合方法能够实时运行，是第一个能够适应动态变化的时间最优方法。我们展示了我们的方法的适应能力，通过飞行四旋翼在超过60公里/小时的赛道上，大门正在移动。此外，我们表明，我们的在线重新规划方法可以应对高达68公里/小时的风引起的强烈干扰。
2022-07-21 cs.RO
Lidar with Velocity: Correcting Moving Objects Point Cloud Distortion from Oscillating Scanning Lidars by Fusion with Camera
Southern University of Science and Technology（南方科技大学）；Jimei University（集美大学）
来自移动物体的激光雷达点云失真是自动驾驶中的一个重要问题，最近随着新型激光雷达的出现变得更加苛刻，这些激光雷达具有来回扫描模式。准确地估计移动对象速度将不仅提供跟踪能力，而且通过对移动对象的更准确描述来校正点云失真。由于激光雷达测量的是飞行时间距离，但具有稀疏的角分辨率，因此在径向测量中测量是精确的，但缺乏角度。另一方面，相机提供密集的角分辨率。本文提出了一种基于高斯分布的激光雷达与摄像机融合的方法来估计全速并校正激光雷达的畸变。一个概率卡尔曼滤波器框架提供了跟踪运动物体，估计他们的速度，同时纠正点云失真。该框架在真实道路数据上进行了评估，融合方法优于传统的基于ICP和点云的方法。完整的工作框架是开源的（https：//github.com/ISEE-Technology/lidar-with-velocity），以加速新兴激光雷达的采用。
2022-07-03 cs.CV cs.RO
Onboard Wind Estimation for Small UAVs Equipped with Low-Cost Sensors: An Aerodynamic Model-Integrated Filtering Approach
Shenyuan Honors College, Beihang University（北航 Shenyan 勋章学院）；Institute of Unmanned System, Beihang University（北航 无人机系统研究院）；School of Aeronautical Science and Engineering, Beihang University（北航 航空科学与工程学院）
本文提出一种利用低成本传感器估计小型无人机飞行状态和风速的方法，结合扩展卡尔曼滤波和自适应移动平均估计技术，提高了风速估计的准确性和平滑度，通过仿真和飞行测试验证了其有效性。
2026-04-22 cs.RO
NavRL: Learning Safe Flight in Dynamic Environments
Carnegie Mellon University（卡内基梅隆大学）
本文提出基于PPO的NavRL框架，通过精心设计的状态动作表示和安全防护，实现无人机在动态环境中零样本迁移的安全导航，且碰撞次数最少。
2025-02-23 cs.RO
Disturbance-Aware Flight Control of Robotic Gliding Blimp via Moving Mass Actuation
Robotics and Control Laboratory, School of Advanced Manufacturing and Robotics, and the State Key Laboratory of Turbulence and Complex Systems, Peking University（机器人与控制实验室，先进制造与机器人学院，湍流与复杂系统国家重点实验室，北京大学）
本文提出基于移动质量作动的扰动感知飞行控制方法，通过MHE-MPC框架提升飞艇在风扰动下的稳定性和控制性能。
2026-01-29 cs.RO
SwarmHive: Heterogeneous Swarm of Drones for Robust Autonomous Landing on Moving Robot
Skoltech（斯科尔科沃科技学院）
本文重点研究了异构无人机群，以实现移动机器人的编队动态着陆。科学家们还没有完成这项艰巨的任务。关键技术是，我们建议在领导者无人机上只安装一个摄像头，而不是用计算机视觉来促进无人机群的每个代理，从而大大增加有效载荷并缩短飞行时间。跟随无人机接收来自领导者UAV的命令，并与人工势场保持无碰撞轨迹。实验结果表明，高精度的群体降落在一个静态的移动平台（RMSE为4.48厘米）。在最大速度为1.0 m/s和1.5 m/s的移动平台上，蜂群着陆的RMSE分别为8.76 cm和8.98 cm。拟议中的SwarmHive技术将允许蜂群节省时间着陆，以便进一步为无人机充电。这将使多智能体机器人系统能够实现自我可持续的操作，用于救援行动，检查和维护，自主仓库库存，货物交付等场景。
2022-06-17 cs.RO
ClearNav: Perception-Aligned Quadrotor Flight Using Differential-Physics
Worcester Polytechnic Institute（伍斯特理工学院）；Northeastern University（东北大学）
ClearNav是一种基于微分物理的导航策略，通过约束运动方向、惩罚障碍物附近速度，在仿真和真实杂乱环境中提升四旋翼飞行的成功率、降低碰撞率。
2026-10-14 cs.AI cs.LG cs.RO
Hitchhiker: A Quadrotor Aggressively Perching on a Moving Inclined Surface Using Compliant Suction Cup Gripper
Shanghai Jiao Tong University（上海交通大学）
栖息在移动物体的{表面}，如车辆，可以延长飞行时间和范围的四旋翼。吸盘由于其耐用性和大的粘附力通常用于{表面附着}。为了在{a表面}上密封，吸盘{必须}与{表面}对齐，并{具有适当的相对切向速度}。然而，当物体表面移动和倾斜时，四旋翼的姿态和相对速度误差将变得显著。为了解决这个问题，我们提出了一种实时轨迹规划算法。通过在动态时域中的多模态搜索，有效地生成时间最优的攻击轨迹。相对于运动表面的速度误差被减轻。为了进一步适应残余误差，我们设计了一种使用自密封杯的柔性夹持器。不同方向的多个杯被集成到一个轮状机构中，以增加对姿态误差的容忍度。该机构还消除了姿态和切向速度匹配的要求。{进行了大量的测试，以各种倾斜度栖息在静态和移动表面上。}结果表明，我们提出的系统使四旋翼可靠地栖息在移动的倾斜表面（高达$1.07m/s$和$90^\circ$）与$70\%$或更高的成功率。{The也验证了轨迹规划器的有效性。与传统的吸盘式抓具相比，我们的抓具对姿态误差和切向速度有更大的适应性。动态栖息的成功率提高了45%。
2023-03-14 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
FuseMODNet: Real-Time Camera and LiDAR based Moving Object Detection for robust low-light Autonomous Driving
Valeo R&D（法雷奥研发中心）；Cairo University（开罗大学）；Valeo Vision Systems（法雷奥视觉系统公司）
运动目标检测是自主车辆的一项关键任务。由于动态对象比静态对象具有更高的碰撞风险，因此必须规划我们自己的自我轨迹，以关注场景中移动元素的未来状态。可以使用诸如光流的时间信息来感知运动。传统的光流计算仅基于相机传感器，这使得它在低照度条件下容易失败。另一方面，LiDAR传感器独立于照明，因为它们测量自己发射的激光的飞行时间。在这项工作中，我们提出了一个强大的和实时的【形】CNN架构的运动目标检测（MOD）在低光条件下，通过捕获来自相机和激光雷达传感器的运动信息。我们展示了我们的算法对KITTI数据集的影响，我们模拟了一个低光环境，创建了一个新的数据集“Dark KITTI”。相对于我们的基线，我们在Dark-KITTI上获得了10.1%的相对改善，在标准KITTI上获得了4.25%的改善。所提出的算法在标准桌面GPU上使用$256\times1224$分辨率图像以18 fps运行。
2019-11-21 cs.CV cs.RO eess.IV
Crazyflow: An Accurate, GPU-Accelerated, Differentiable Drone Simulator in JAX
Technical University of Munich（慕尼黑技术大学）；University of Toronto（多伦多大学）；Simon Fraser University（西蒙弗雷泽大学）
提出Crazyflow模拟器，通过GPU加速和可微分设计，实现单机超高速仿真、数千架无人机集群模拟，并支持基于解析梯度的策略学习与采样避障，甚至能在0.38秒内从零训练飞行恢复策略。
2026-10-27 cs.AI cs.MA cs.RO
GRaD-Nav++: Vision-Language Model Enabled Visual Drone Navigation with Gaussian Radiance Fields and Differentiable Dynamics
Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系）；Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空航天工程系）
GRaD-Nav++提出一种轻量级视觉-语言-动作框架，通过可微强化学习在3D高斯点云模拟器中训练，实现基于自然语言指令的实时无人机导航，展示在多任务和多环境下的高效导航能力。
2026-05-15 cs.RO
Actor-Critic Model Predictive Control: Differentiable Optimization meets Reinforcement Learning for Agile Flight
Robotics and Perception Group, University of Zurich（机器人与感知组，苏黎世大学）
本文提出行为者-评论者模型预测控制框架，结合可微优化与强化学习，提升四旋翼无人机在动态不确定环境中的敏捷飞行性能。
2025-12-05 cs.RO
Flying through Moving Gates without Full State Estimation
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）
针对未知动态环境中的移动门穿越问题，提出仅依赖单目视线、无需地图或 VIO 的 PN 视觉控制优化方法，并通过仿真与真机验证其高速鲁棒性。
2025-03-18 cs.RO
Below Horizon Aircraft Detection Using Deep Learning for Vision-Based Sense and Avoid
Queensland University of Technology（昆士兰科技大学）
无人机（UAV）的商业运营将受益于机载感知和避免（SAA）潜在空中碰撞威胁的能力。在本文中，我们提出了一种新的方法来检测飞机低于地平线。我们解决了现有的基于视觉的SAA方法所面临的一些挑战，如检测静止的飞机（与背景没有相对运动），拒绝移动的地面车辆，以及同时检测多架飞机。我们提出了一个多阶段，基于视觉的飞机检测系统，利用深度学习来产生候选飞机，我们随着时间的推移跟踪。我们评估了我们提出的系统在真实飞行数据上的性能，我们展示了与最先进水平相当的检测范围，并具有检测静止飞机，拒绝移动地面车辆和跟踪多架飞机的额外能力。
2019-03-08 cs.RO
Fast Time-optimal Avoidance of Moving Obstacles for High-Speed MAV Flight
University of Bonn（波恩大学）
在这项工作中，我们提出了一种方法来有效地计算平滑，时间最优的轨迹微型飞行器（MAVs）躲避移动障碍物。我们的方法首先计算从开始到任意目标状态的n维轨迹，包括位置，速度和加速度。它尊重输入和状态约束，因此是动态可行的。然后，有效地检查轨迹的碰撞，利用分段多项式制定。如果发生碰撞，则将通路插入到轨迹中以绕过障碍物并仍然保持时间最优性。这些通路由位置、速度和加速度描述。评估结果表明，所提出的方法的计算需求是最小的，避障可以在几毫秒内开始。生成的轨迹的最优性，结合频繁的在线重新规划的能力，从非悬停初始条件，使该方法非常适合于快速飞行过程中突然感知到的障碍物的规避。
2019-08-06 cs.RO
REDBEE: A Visual-Inertial Drone System for Real-Time Moving Object Detection
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；Huazhong University of Science and Technology（华中科技大学）；Hong Kong University of Science and Technology（香港科技大学）
空中监视和监控需要运动摄像机进行实时的【形】鲁棒运动检测。用于无人机的大多数现有技术涉及用高端台式计算机或服务器将视频数据流发送回地面站。这些方法都有一个主要的缺点：数据传输受到相当大的延迟和可能的损坏。板载计算不仅可以克服数据损坏问题，还可以增加运动范围。不幸的是，由于有限的承重能力，为无人机配备高处理能力的计算硬件是不可行的。因此，为计算能力有限的无人机开发具有实时的【形】性能和高精度的运动检测系统是非常可取的。在本文中，我们提出了一个视觉惯性无人机系统的实时的【形】运动检测，即REDBEE，有助于克服在拍摄场景的视差和动态背景强的挑战。REDBEE可以在最先进的商用低功耗应用处理器上运行（例如用于我们原型无人机的Snapdragon Flight板），实现了实时的【形】性能和高检测精度。REDBEE系统通过惯性辅助的双平面单应性估计，克服了强视差场景拍摄中的障碍;通过基于空间、时间和熵一致性的概率模型区分运动目标，解决了动态背景场景拍摄中的问题。实验结果表明，与现有的实时的【形】机载运动目标检测系统相比，该系统在室外环境下的运动目标检测具有更高的精度。
2017-12-26 cs.RO
Back to Newton's Laws: Learning Vision-based Agile Flight via Differentiable Physics
Shanghai Jiao Tong University（上海交通大学）
本工作利用可微物理仿真结合深度学习，实现多空中机器人在杂乱环境中的高速自主导航，无需通信或集中规划，单智能体成功率90%，速度达20米/秒，且部署成本极低。
2024-07-16 cs.RO
PHODCOS: Pythagorean Hodograph-based Differentiable Coordinate System
Technical University of Munich（慕尼黑工业大学）；Carnegie Mellon University（卡内基梅隆大学）；Charles University（查理大学）
本文提出PHODCOS算法，为给定曲线分配精确可微的移动坐标系，兼容自主导航梯度需求，并增强在轨航天器机动的几何感知能力。
2024-10-10 cs.RO cs.SY eess.SY
AD-MPCC: Adaptive Differentiable Model Predictive Contouring Control for Autonomous Racing
提出AD-MPCC框架，结合可微分MPCC与在线参数估计，通过Pacejka魔术公式和正则化移动视界估计适应路面变化，并利用可微分MPCC优化目标权重，实现更快圈速和安全性。
2026-09-14 cs.RO cs.SY eess.SY
Autonomous Flights in Dynamic Environments with Onboard Vision
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（湖州学院（浙江大学湖州研究院））
在本文中，我们介绍了一个完整的系统，自主飞行的四旋翼机在动态环境中与板载传感。在已有工作的基础上，提出了一种基于深度图像的遮挡感知方法，将障碍物分为动态和静态两类。为了表示一般的动态环境，我们用移动椭球来模拟动态对象，并将静态对象融合到一个占用网格地图中。为了实现动态避障，我们设计了一种由改进的Kinodynamic路径搜索和基于梯度的优化组成的规划方法。该方法利用手动构建的梯度，而不维护有符号距离场（SDF），使规划过程在毫秒内完成。我们将上述方法集成到一个定制的四旋翼系统中，并在真实世界的实验中进行了彻底的测试，验证了其在动态环境中的有效避碰。
2021-03-10 cs.RO
Robust and Efficient Trajectory Planning for Formation Flight in Dense Environments
Zhejiang University（浙江大学）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）
本文提出一种面向密集环境的大规模空中编队飞行系统，通过旋转-平移-缩放不变的图相似性度量、分布式解耦轨迹优化、集群重组与全局重映射-局部重规划策略，在掌上尺寸集群平台上实现了最大规模室外密集环境编队飞行。
2023-08-07 cs.RO
Model Predictive Control for Trajectory Tracking on Differentiable Manifolds
University of Hong Kong（香港大学）
我们认为几何跟踪控制理论和模型预测控制（MPC）的机器人系统在流形上操作之间的差距的桥梁的问题。我们提出了一个通用的流形MPC制定的基础上发展的流形上的系统的规范表示。然后，我们提出了一种方法，解决了在流形MPC制定线性化的跟踪下沿轨迹的系统。所提出的方案有两个主要优点。首先，线性化系统导致一个等价的误差系统表示的一组最小的参数没有任何奇异性。其次，系统建模，误差系统推导，线性化和控制的过程中，流形约束完全解耦的系统描述，使一个符号MPC框架，自然封装流形约束的发展。在这个框架中，用户只需要提供系统特定的描述，而不需要处理多方面的约束。我们实现了这个框架，并测试它的四旋翼无人机（UAV）上运行的$SO(3) \times \mathbb{R}^n$和无人地面车辆（UGV）在曲面上移动。真实世界的实验表明，所提出的框架和实现高跟踪性能和计算效率，即使在高度侵略性的特技飞行四旋翼机动。
2021-06-29 cs.RO cs.SY eess.SY
Improving Gradient Computation for Differentiable Physics Simulation with Contacts
Siemens Corporation, Technology（西门子公司技术部）；Flatiron Institute（熨斗研究所）
针对含接触的可微刚体仿真中接触法线不固定时梯度不准确的问题，提出基于连续碰撞检测和碰撞时间计算碰撞后速度的TOI-Velocity方法，可在最优控制任务中得到匹配解析解的结果。
2023-04-28 cs.AI cs.LG cs.RO
RGBlimp-Q: Robotic Gliding Blimp With Moving Mass Control Based on a Bird-Inspired Continuum Arm
Robotics and Control Laboratory, School of Advanced Manufacturing and Robotics, and the State Key Laboratory of Turbulence and Complex Systems, Peking University（机器人与控制实验室，先进制造与机器人学院，湍流与复杂系统国家重点实验室，北京大学）
本文提出RGBlimp-Q，一种采用鸟翼启发的连续体臂和运动质量控制的机器人滑翔飞艇，通过内部质量重新分布增强抗扰性并实现空中操纵，首次将连续体机制集成于轻于空气平台，扩展了应用场景。
2025-09-12 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
Saturation-Aware Robust Trajectory Optimization for Reusable Launch Vehicles via Differentiable Physics
Beijing Institute of Aeronautical Systems Engineering（北京航空航天系统工程研究所）
针对可重复使用运载火箭大攻角翻转机动的鲁棒轨迹优化难题，提出基于可微物理的框架，核心是DPTC方案，经六自由度蒙特卡罗模拟对比，该框架能主动权衡性能，为航空航天飞行系统鲁棒制导提供有效实用框架。
2026-07-14 cs.LG cs.RO physics.app-ph
Policy Search for Model Predictive Control with Application to Agile Drone Flight
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
策略搜索和模型预测控制（MPC）是机器人控制的两种不同范式：策略搜索具有利用经验数据自动学习复杂策略的优势，而MPC可以利用模型和轨迹优化提供最优控制性能。一个开放的研究问题是如何利用和结合这两种方法的优势。在这项工作中，我们提供了一个答案，通过使用政策搜索自动选择高层决策变量的MPC，这导致了一个新的政策搜索模型预测控制框架。具体来说，我们制定MPC作为一个参数化的控制器，其中难以优化的决策变量表示为高层次的政策。这样的公式化允许以自我监督的方式优化策略。我们验证了这个框架，专注于敏捷无人机飞行中的一个具有挑战性的问题：通过快速移动的门飞行四旋翼。实验结果表明，我们的控制器实现了鲁棒性和实时控制性能在仿真和现实世界。所提出的框架提供了一个新的视角合并学习和控制。
2021-12-16 cs.AI cs.RO
Model predictive control-based trajectory generation for agile landing of unmanned aerial vehicle on a moving boat
Czech Technical University in Prague（布拉格捷克技术大学）
本研究提出一种基于MPC的新型轨迹生成方法，利用USV状态预测为多旋翼UAV生成周期更新轨迹，通过动态调整惩罚矩阵及姿态同步，实现恶劣海况下移动倾斜甲板的快速精准着陆，精度达现有方法两倍且机载实时计算。
2024-12-10 cs.RO cs.SY eess.SY
Reactive Aerobatic Flight via Reinforcement Learning
State Key Laboratory of Industrial Control Technology（工业控制技术国家重点实验室）；Zhejiang University（浙江大学）；Huzhou Institute（湖州研究院）
针对四旋翼特技飞行因欠驱动和机动复杂导致传统方法受限的问题，提出基于强化学习的端到端框架，结合自动课程学习与域随机化，实现零样本仿真到现实迁移，首次完成无人机自主连续倒飞并反应式穿越移动门。
2025-05-30 cs.RO
ChainQueen: A Real-Time Differentiable Physical Simulator for Soft Robotics
Massachusetts Institute of Technology（麻省理工学院）；Tsinghua University（清华大学）
物理仿真器在机器人规划和控制中得到了广泛的应用。其中，微分模拟器是特别受欢迎的，因为它们可以被纳入基于梯度的优化算法，有效地解决逆问题，如最优控制和运动规划。然而，与刚体动力学相比，模拟可变形物体更具挑战性。可变形物体的基本物理定律更加复杂，并且所得到的系统具有多个数量级的自由度，因此它们的模拟在计算上显著更昂贵。相对于物理设计或控制器参数计算梯度通常在计算上更具挑战性。提出了一种基于移动最小二乘物质点法（MLS-MPM）的实时的【形】可微混合拉格朗日-欧拉可变形物体物理模拟器ChainQueen。MLS-MPM可以模拟包括接触在内的可变形物体，并且可以无缝地集成到推理，控制和协同设计系统中。我们证明了我们的模拟器在向前模拟和向后梯度计算方面都达到了很高的精度。我们已经成功地将其用于软体机器人的各种控制任务，包括近3,000个决策变量的问题。
2018-10-02 cs.AI cs.GR cs.LG
Adaptive-MHE : A Sampling-Based Adaptive MPC for Legged Loco-Manipulation via Moving Horizon Estimation
University of Calgary（卡尔加里大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)（慕尼黑工业大学机器人与机器智能研究所（MIRMI））
针对腿式机器人移动操作中物体与地形参数未知导致的仿真到现实差距问题，提出基于移动时域估计的在线采样型系统辨识框架Adaptive-MHE，与采样型模型预测控制耦合，在仿真和硬件实验中性能优于基线并媲美真值控制器。
2026-09-17 cs.RO
Autonomous Landing of a Multirotor Micro Air Vehicle on a High Velocity Ground Vehicle
Polytechnique Montreal（蒙特利尔理工学院）
虽然自主多旋翼微型飞行器（MAV）非常适合于某些类型的任务，受益于静止飞行能力，但其更广泛的使用仍然面临许多障碍，特别是由于其有限的航程以及完全自动化其部署和回收的困难。在本文中，我们解决这些问题，通过解决问题的自动着陆的四轴飞行器在地面车辆以相对较高的速度移动。我们提出了我们的系统架构，包括我们的卡尔曼滤波器的结构，用于估计四轴飞行器和着陆垫之间的相对位置和速度，以及我们的控制器设计的完整的交会和着陆机动。该系统通过多次试验成功地将商用四轴飞行器降落在以高达50 km/h的速度移动的汽车车顶上进行了实验验证。
2016-11-22 cs.RO
