Learned Incremental Nonlinear Dynamic Inversion for Quadrotors with and without Slung Payloads
Technical University of Berlin（柏林技术大学）；Robotics Institute Germany (RIG)（德国机器人研究所）
本文提出基于神经网络的四旋翼增量非线性动态反演方法，通过学习预测残差力，替代传统传感器，提高飞行控制器精度。
2026-04-14 cs.RO cs.SY eess.SY
Launcher Attitude Control based on Incremental Nonlinear Dynamic Inversion: A Feasibility Study Towards Fast and Robust Design Approaches
本文针对运载火箭姿态控制，引入并验证了增量非线性动态逆(INDI)方法，提出了新的稳定性分析途径，实验表明INDI虽对噪声和延迟更敏感，但在鲁棒性和性能上的优势更为显著。
2023-07-01 cs.SY eess.SY
Incremental Control System Design and Flight Tests of a Micro-Coaxial Rotor UAV
将增量式非线性动态逆方法应用于共轴式旋翼无人机的控制系统设计。在控制系统设计中解决了气动不确定性和抗干扰问题。所设计的控制器使无人机具有良好的飞行性能和控制鲁棒性。针对状态导数的时滞问题，提出了一种增量增益法。该方法具有计算量小、参数整定简单等优点，为将INDI控制器应用于共轴式旋翼无人机提供了极大的方便。利用离散系统稳定性分析方法论证了IGM的原理，并通过仿真详细分析了IGM的参数选择策略。通过非线性动态逆（NDI）和非线性动态逆（INDI）的对比飞行试验，验证了该控制器设计方法的优越性。实验结果表明，在相同风速下，INDI的平均轨迹跟踪误差仅为NDI的58.3%。当角加速度延迟小于0.06s时，IGM能很容易地保持系统稳定。此外，INDI在明显的模型误差和强输入干扰下具有较好的鲁棒性。
2022-03-14 cs.SY eess.SY
Innovative Gain Reconfiguration for Active Fault-Tolerant Flight Control: Balance of Stability and Agility
针对执行器故障导致的飞行失控问题，提出基于增量可达加速度集的内外环增益重构策略，在严重故障场景下有效平衡了闭环稳定性与敏捷性，性能优于固定增益方法。
2024-06-03 cs.SY eess.SY
Dynamic Inversion: An Incrementally Evolving Methodology for Flight Control Design
Institute of Flight Systems, German Aerospace Center (DLR)（德国航空航天中心飞行系统研究所）；Technical University of Munich (TUM)（慕尼黑工业大学）；Institute of Aeroelasticity, German Aerospace Center (DLR)（德国航空航天中心空气弹性研究所）
本文梳理非线性动态逆（NDI）及增量式NDI（INDI）的演进形式，分析其优势与缺陷，为未来飞行控制律开发提供结构化概述与方法学考量。
2026-08-27 cs.SY eess.SY math.DG
Accurate Tracking of Aggressive Quadrotor Trajectories using Incremental Nonlinear Dynamic Inversion and Differential Flatness
Massachusetts Institute of Technology (MIT)（麻省理工学院）
本文提出了一种新的控制律，用于跟踪四旋翼的位置、偏航角及其至四阶导数，包括速度、加速度、加加速度和加加加速度以及偏航速率和偏航加速度。通过基于四旋翼动力学的微分平坦性，使用前馈输入跟踪加加速度和加加加速度。通过闭环电机速度控制，直接控制机体扭矩以实现加加加速度跟踪。控制器利用增量非线性动态逆反（INDI）在外部干扰如空气动力学阻力的情况下实现对线性和角加速度的鲁棒跟踪。通过响应分析严格分析所提出的控制律，并通过实验演示。控制器使四旋翼无人机能够跟踪复杂的3D轨迹，达到最高12.9 m/s的速度和2.1g的加速度，同时保持均方根跟踪误差仅为6.6 cm，在约18m×7m×3m的飞行体积内。此外，通过在飞行测试中附加拖板和在悬停时拉拽无人机来演示控制器的鲁棒性。
2020-06-07 cs.RO cs.SY eess.SY
Action-Increment-Constrained Policy Optimization for Smooth Online Adaptive Critic Flight Control with Actuator Rate Constraints and Low Computational Complexity (extended version with Ultimate Uniform Boundedness analysis)
Section Control and Simulation, Faculty of Aerospace Engineering, Delft University of Technology（控制与仿真部门，航空航天工程学院，代尔夫特理工大学）
本文提出在线时间平滑技术与低通滤波器以提升飞行控制系统动作平滑性，通过FFT分析策略性能，验证了方法的有效性。
2026-10-27 cs.AI cs.SY eess.SY
Incremental Nonlinear Fault-Tolerant Control of a Quadrotor with Complete Loss of Two Opposing Rotors
Delft University of Technology（代尔夫特理工大学）
为了进一步扩展四旋翼飞行器在执行器故障情况下的飞行包线，设计了一种基于传感器的非线性容错控制器，用于在高速飞行条件下（> 8 m/s）稳定双对转故障的四旋翼飞行器。增量非线性动态逆（INDI）的方法，在处理模型的不确定性，以补偿显着的未知气动力效应。这种欠驱动系统的内部动力学进行了分析，并随后通过重新定义的控制输出稳定。所提出的方法可以推广到控制单转子故障和标称条件下的四旋翼。为了验证，在大型开放式喷气风洞中进行了飞行试验。在存在显著的风扰动的情况下，可以控制损坏的四旋翼的位置。一个线性二次型调节器（LQR）的方法，从文献中进行了比较，以证明所提出的非线性方法的优势，在有风和高速飞行条件。
2020-10-26 cs.RO cs.SY eess.SY
Improving INDI for Input Nonaffine Systems via Learning-Based Nonlinear Control Allocation
University of Alabama（阿拉巴马大学）
本文指出标准INDI与ICA应用于输入非线性系统需依赖不可接受的线性近似，提出基于学习的方法解决非线性优化问题，验证了标准方法的局限性并展示了新方法的有效性。
2026-04-07 cs.SY eess.SY
Global Incremental Flight Control for Agile Maneuvering of a Tailsitter Flying Wing
Massachusetts Institute of Technology（麻省理工学院）
提出了一种新的控制律，用于精确跟踪敏捷轨迹使用尾坐式飞翼无人机（UAV）之间的垂直起降（VTOL）和前飞过渡。全局控制公式能够在整个飞行包线内进行机动飞行，包括有侧滑的非协调飞行。微分平坦的非线性尾座动力学与简化的空气动力学模型。使用平坦度变换，所提出的控制器包括跟踪的位置参考以及其衍生物的速度，加速度和加加速度，以及偏航参考和偏航率。通过角速度前馈项包含加加速度和偏航率参考，改进了对具有快速变化的加速度的轨迹的跟踪。该控制器不依赖于广泛的空气动力学建模，而是使用增量非线性动态逆（INDI）计算控制更新的基础上，只有一个本地的输入输出关系，从而对简化的空气动力学方程的差异的鲁棒性。通过导出的平坦度变换，实现了非线性输入输出关系的精确反演。由此产生的控制算法在飞行测试中得到了广泛的评估，在飞行测试中，它展示了精确的轨迹跟踪和具有挑战性的敏捷机动，例如侧向飞行和转弯时的激进过渡。
2022-07-26 cs.RO cs.SY eess.SY
Towards Improving the Performance of the RNN-based Inversion Model in Output Tracking Control
基于递归神经网络（RNN）的逆模型控制具有建模精度高、带宽大的优点，被提出用于输出跟踪。然而，在使用基于RNN的反演模型时，仍然需要解决一些问题。首先，由于RNN中的参数数量有限，它无法准确地对低频动态进行建模，因此使用了额外的线性模型，这可能会干扰高频下的跟踪控制。此外，由于控制采样速度受到RNN训练集长度的限制，控制速度和RNN建模精度不能同时提高。因此，本文重点讨论基于RNN的逆模型控制的这些局限性。具体而言，提出了一种新的建模方法，以不影响RNN实现的现有高频控制性能的方式将线性模型合并。此外，还提出了一种插值方法，使采样频率加倍（与RNN训练采样频率相比）。分析所提出的新模型用于预测控制时可能出现的稳定性问题，并给出了确定参数以确保闭环稳定性的说明。最后，在一个商业压电驱动器上进行了实验，实验结果表明，该方法可以显着提高跟踪性能。
2019-12-31 cs.SY eess.SY
Direct Electromechanical Actuation of the Shift Drum in Non-Synchronized Motorcycle Transmissions: From Actuator Sizing and Electronics Design to Closed-Loop Position Control
Westsächsische Hochschule Zwickau（茨维考西萨克森应用科学大学）；HC-Concepts Engineering GmbH（HC-Concepts工程有限责任公司）
本研究针对非同步摩托车变速箱，开发了基于直流电机与SAMD21控制器的直接机电换挡鼓驱动系统，实现了低于手动换挡平均时间的快速无超调换挡，同时发布了换挡时间开放数据集。
2026-10-14 cs.SY eess.SY
Nonlinear Incremental Control for Flexible Aircraft Trajectory Tracking and Load Alleviation
提出了一种柔性飞行器同时进行轨迹跟踪和载荷减缓的非线性控制结构。通过利用控制冗余，阵风和机动载荷减轻而不降低刚体指令跟踪性能。所提出的控制结构包含四个级联的控制回路：位置控制，飞行路径控制，姿态控制和最优多目标机翼控制。由于位置运动学不受模型不确定性的影响，非线性动态逆控制应用。相反，飞行轨迹动力学受到模型不确定性和大气扰动的影响，因此采用增量式滑模控制。基于李雅普诺夫的分析表明，该方法可以同时减少传统的滑模控制方法的模型依赖性和最小可能的增益。此外，姿态动力学是严格反馈形式的，因此采用增量反推滑模控制。此外，一个新的负载参考发生器的设计，以区分必要的负载执行机动从过量的负载。载荷参考由内环最优机翼控制器实现，而过量载荷由襟翼自然化而不影响外环跟踪性能。在空间冯卡门湍流场中的轨迹跟踪任务和阵风载荷减缓任务验证了所提出的控制结构的优点。
2021-01-03 cs.SY eess.SY
System Identification of Lithium-Ion Battery Equivalent Circuit Models Using Ensemble Kalman Inversion
University of Kansas（堪萨斯大学）；Michigan State University（密歇根州立大学）
本文采用集成卡尔曼反演方法，通过迭代局部高斯逼近和蒙特卡洛采样，对具有电热耦合的等效电路模型进行参数估计，实现了快速收敛的准确系统辨识。
2026-05-24 cs.SY eess.SY
Incremental Control and Guidance of Hybrid Aircraft Applied to a Tailsitter UAV
Delft University of Technology（代尔夫特理工大学）；ENAC, MAIAA, University of Toulouse（法国图卢兹大学）
本文提出了一种增量非线性动态逆控制方法，用于混合式飞行器的姿态和位置控制，实现了一个连续的控制器，能够跨飞行包线跟踪飞行器的期望加速度，并在尾旋无人机上进行了多场户外实验验证。
2019-09-25 cs.RO cs.SY eess.SY
Seamless Active Morphing Wing Simultaneous Gust and Maneuver Load Alleviation
本文研究了无缝主动变形机翼的阵风和机动载荷同时减缓问题。提出了一种基于二次规划控制分配和虚拟形函数的增量式非线性动态逆方法（IND-QP-V）。所设计的控制分配器提供了一个最优的解决方案，同时满足执行器的位置约束，速率约束，和相对位置的约束。虚拟形状函数保证了变形机翼在各个时刻的平滑性。在存在模型不确定性、外部干扰和控制分配误差的情况下，闭环系统在李雅普诺夫意义下是稳定的。风洞试验表明，IND-QP-V可以使无缝机翼主动变形以抵抗“1-cos”阵风，同时改变展向升力分布。翼根剪切力和弯曲力矩已经减轻了44%以上，尽管意外的致动器故障和非线性间隙。在实验过程中，所有的输入约束都得到了满足，机翼形状始终是光滑的，控制律实时执行。此外，与线性二次高斯（LQG）控制相比，IND-QP-V的硬件实现更容易，IND-QP-V的鲁棒性能也更优越。
2020-12-28 cs.SY eess.SY
Control of Fully Actuated Aerial Vehicles: A Comparison of Model-based and Sensor-based Dynamic Inversion
Professorship of Autonomous Aerial Systems, School of Engineering and Design, Technical University of Munich（自主航空系统教授职位，工程与设计学院，慕尼黑技术大学）
本文比较了模型驱动和传感器驱动动态逆控制器在全驱动六旋翼上的性能，发现传感器驱动在参数不匹配、风扰和传感器退化时表现更优，但在控制频率降低时模型驱动更佳。
2026-05-12 cs.RO cs.SY eess.SY
Loss of Control Prevention of an Agile Aircraft: Dynamic Command Saturation Approach
针对敏捷飞机极端机动时的失控风险，提出基于增量可达力矩集与Lyapunov动态指令饱和的控制框架，相较传统状态限制器将稳定机动空间扩大至55%。
2024-10-02 cs.SY eess.SY
Robustly Invertible Nonlinear Dynamics and the BiLipREN: From Inversion-Based Control to Generative Trajectory Modelling
Australian Centre for Robotics (ACFR)（澳大利亚机器人中心）；School of Aerospace, Mechanical and Mechatronic Engineering（航空航天、机械与机电工程学院）
该论文提出非线性动力系统鲁棒可逆性概念，通过静态与动态层组合构建鲁棒可逆递归模型及双利普希茨递归平衡网络，经示例展示其在数据驱动控制、学习及流中的应用，可用于鲁棒控制、轨迹优化与复杂轨迹分布建模。
2026-07-14 cs.LG cs.SY eess.SY
SOS-based Stability Verification for Saturated INDI Control of Hybrid-VTOL Aircraft Pitch Rate Dynamics
Université Côte d‘Azur I3S CNRS（蔚蓝海岸大学）；Swiss Federal Institute of Technology (ETH) Zurich（苏黎世联邦理工学院）
针对混合VTOL飞行器的饱和增量非线性动态逆（INDI）俯仰角速率控制器，通过等效循环平衡网络（REN）表示，利用平方和（SOS）规划合成局部Lyapunov函数，获得考虑执行器饱和的吸引域内估计，实现非线性稳定性验证。
2026-06-15 cs.SY eess.SY
Neural Networks Compensation of Systems with Multi-segment Piecewise Linear Nonlinearities
针对多段分段线性非线性系统，设计了一种神经网络补偿器。该补偿器采用神经网络反推技术来反演前馈路径中的分段线性非线性项，为利用神经网络确定可逆动态系统的动态预逆提供了一种通用方法。一个调整算法的神经网络补偿器，产生一个稳定的闭环系统。在非线性稳定性证明的情况下，跟踪误差很小。值得注意的是，没有神经网络补偿的PI控制器需要更高的增益来实现相同的性能。仅使用PI控制器也难以确保这种高度非线性系统的稳定性。利用神经网络补偿，证明了系统的稳定性，并可以通过增加增益来任意保持跟踪误差较小。神经网络的权误差基本上是有界的输入权重和隐藏的权重。仿真结果表明了分段线性神经网络补偿器在系统中的有效性。该方案适用于xy类转台伺服系统，并给出了神经网络稳定性证明。此外，神经网络分段线性非线性补偿还可以进一步应用于间隙、迟滞等执行器非线性补偿。
2021-10-01 cs.SY eess.SY
Conditional Invertible Neural Networks for Data-Driven UAV Control: A 2-D Proof of Concept
Helmut Schmidt University（赫尔穆特·施密特大学）；University of the Bundeswehr Munich（慕尼黑联邦国防军大学）
研究将条件可逆神经网络用于多旋翼控制，通过有理二次样条耦合等方法学习概率逆动力学模型，开环再现效果良好，闭环场景中位置RMSE与INDI匹配，分析出主要故障机制。
2026-07-16 cs.LG cs.SY eess.SY
