Trajectory Tracking and Stabilization of Quadrotors Using Deep Koopman Model Predictive Control
Department of Mechatronics and Robotics Engineering, Egypt-Japan University of Science and Technology (E-JUST)（机电与机器人工程系，埃及-日本科学技术大学）
本文提出深度库普曼算子与模型预测控制相结合的DK-MPC框架，通过将四旋翼非线性动力学线性化，在保证轨迹跟踪精度的同时显著降低计算时间，满足嵌入式实时控制需求。
2025-08-19 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
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
Sequence Modeling for Time-Optimal Quadrotor Trajectory Optimization with Sampling-based Robustness Analysis
University of Pennsylvania（宾夕法尼亚大学）；University of California San Diego（加州大学圣地亚哥分校）
针对四旋翼时间最优轨迹计算成本高难实时的问题，提出用序列学习模型模仿基于模型的规划器加速生成，结合鲁棒性分析框架与数据增强，实现显著提速且可泛化新路径长度，经硬件验证实时可行。
2025-06-16 cs.RO
Three-dimensional Trajectory Optimization for Quadrotor Tail-sitter UAVs: Traversing through Given Waypoints
School of Aeronautics and Astronautics, Zhejiang University（浙江大学航空航天学院）；Zhejiang University（浙江大学）
针对尾座式无人机垂直与水平飞行轨迹分离的问题，提出基于微分平坦性和MINCO的三维轨迹优化方法，将速度约束软化为软约束并用MPC跟踪，性能优于L1制导律和Dubins路径。
2025-01-18 cs.RO
Data-Driven MPC for Quadrotors
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
气动力使四旋翼的精确高速轨迹跟踪极具挑战性。这些复杂的空气动力学效应在高速时成为显着的干扰，引入很大的位置跟踪误差，并且极难建模。为了在高速下飞行，反馈控制必须能够实时地考虑这些空气动力学效应。这就需要一个既准确又有效的评估建模程序。因此，我们提出了一种方法，模型的空气动力学效应，使用高斯过程，我们将其纳入模型预测控制器，以实现高效和精确的实时反馈控制，导致高达70%的轨迹跟踪误差在高速减少。我们通过与最先进的线性阻力模型在合成和真实世界的实验中进行广泛的比较来验证我们的方法，速度高达14 m/s，加速度超过4g。
2021-03-03 cs.RO
Trajectory Generation for Quadrotor Based Systems using Numerical Optimal Control
Laboratory for Analysis and Architecture of Systems (LAAS)（系统分析与架构实验室）；Centre National de la Recherche Scientifique (CNRS)（法国国家科学研究中心）
近年来，四旋翼飞行器的研究主要集中在越来越复杂的系统上越来越具有挑战性的任务上。系统通常增加了悬吊负载，倒置的扶手或手臂，并完成复杂的任务，如通过窗户，抓取，投掷或捕捉。通常，控制器被设计为使用解析解在特定系统上完成特定任务，因此每个应用都需要长时间的准备。另一方面，直接多重射击方法能够通过使用现成的优化求解器来解决复杂的问题，而无需任何分析开发。在本文中，我们表明，这种方法是能够解决广泛的问题相关的四旋翼系统，从在线轨迹生成的四旋翼，通过一个窗口的四旋翼和单摆系统，通过空中机械手的操作任务。
2016-02-08 cs.RO math.OC
Optimal Smooth Coverage Trajectory Planning for Quadrotors in Cluttered Environment
Guangdong Power Grid Co. Ltd.（广东电力电网公司）；Shenzhen Institute of Artificial Intelligence（深圳人工智能与机器人研究院）
针对电网场景下杂乱环境中的无人机覆盖任务，提出前端GA求解TSP、后端非线性最小二乘优化平滑性、耗时与避障的两阶段轨迹规划算法，并通过仿真验证其有效性。
2025-10-03 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
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
Euclidean and non-Euclidean Trajectory Optimization Approaches for Quadrotor Racing
University of California, Berkeley（加州大学伯克利分校）
本文提出两种基于欧几里得与非欧几里得几何的四旋翼竞速线优化方法，采用高保真动力学，避免航路点近似，实现百倍加速并改善收敛，且可处理静态障碍物。
2024-07-16 cs.RO cs.SY eess.SY
Robust Trajectory Generation and Control for Quadrotor Motion Planning with Field-of-View Control Barrier Certification
Department of Computer Science, Brown University（计算机科学系，布朗大学）；Department of Sciences and Methods for Engineering, University of Modena and Reggio Emilia（工程科学与方法系，摩德纳和雷吉奥艾米利亚大学）
提出一种由控制障碍函数认证的实时无通信分布式导航算法，通过建模和控制机载感知行为以在有限视场内保持邻居位置估计，对临时跟踪丢失具有鲁棒性，并贡献了连续时间鲁棒轨迹生成与控制方法及MPC-CBF离散优化求解方案。
2025-11-02 cs.RO
Quadrotor Trajectory Tracking with Learned Dynamics: Joint Koopman-based Learning of System Models and Function Dictionaries
California Institute of Technology（加州理工学院）
非线性动力学效应对许多敏捷机器人系统的操作至关重要。基于Koopman的模型学习方法可以在更高维度的提升双线性模型中捕获这些非线性动力系统效应，这些提升双线性模型适合于最优控制。然而，在模型学习之前使用固定函数字典提升系统状态的标准方法导致对于实时的控制而言难以处理的高维模型。本文提出了一种新的方法，联合学习一个函数字典和提升双线性模型纯粹从数据中结合的Koopman模型的神经网络架构。利用学习模型的非线性MPC设计可以很容易地执行。我们在多旋翼无人机上实验实现了这种方法，用于在低空进行敏捷轨迹跟踪，其中空气动力学地面效应影响系统的行为。实验结果表明，基于学习的控制器实现了类似的性能作为一个非线性MPC的名义动力学模型的基础上，在中等高度。然而，我们的基于学习的系统可以可靠地跟踪轨迹在近地飞行制度，而标称控制器崩溃，由于未建模的动态效应，我们的方法捕获。
2021-10-20 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
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
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
Towards Model Predictive Control for Acrobatic Quadrotor Flights
Arizona State University（亚利桑那州立大学）
本研究针对四旋翼特技翻转机动需求，提出一种考虑动力学约束与环境变量的模型预测控制实时轨迹规划方法，经仿真与真机实验验证有效，可提升自主空中机器人的任务能力。
2024-01-30 cs.RO
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
Quad-LCD: Layered Control Decomposition Enables Actuator-Feasible Quadrotor Trajectory Planning
School of Engineering and Applied Science, University of Pennsylvania（工程与应用科学学院，宾夕法尼亚大学）；EPFL（瑞士联邦理工学院）
针对四旋翼电机饱和导致失控坠毁的问题，本文提出Quad-LCD，通过控制分解并从仿真轨迹数据学习跟踪惩罚，显著降低激进机动坠毁率并在Crazyflie上验证可行性。
2025-05-15 cs.RO cs.SY eess.SY
Performance, Precision, and Payloads: Adaptive Nonlinear MPC for Quadrotors
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
在具有挑战性的环境中敏捷的四旋翼飞行有可能彻底改变航运，运输和搜索和救援应用。非线性模型预测控制（NMPC）最近已经显示出用于敏捷四旋翼控制的有希望的结果，但是依赖于高度精确的模型以获得最大性能。因此，以未建模的复杂气动力效应、变化的有效载荷和参数失配形式存在的模型不确定性将降低整个系统的性能。在本文中，我们提出了L1-NMPC，一种新的混合自适应NMPC在线学习模型的不确定性，并立即补偿它们，大大提高了非自适应基线的性能，最小的计算开销。我们提出的架构推广到许多不同的环境，我们评估风，未知的有效载荷，和高度敏捷的飞行条件。所提出的方法表现出极大的灵活性和鲁棒性，与非自适应NMPC在大的未知干扰下，无需任何增益调整，跟踪误差减少了90%以上。此外，具有相同增益的相同控制器可以精确地飞行高度敏捷的赛车轨迹，最高速度为70 km/h，相对于非自适应NMPC基线，跟踪性能提高了约50%。
2021-12-03 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
Interpretable Stochastic Model Predictive Control using Distributional Reinforced Estimation for Quadrotor Tracking Systems
提出了一种用于动态复杂环境下四旋翼自主导航的新型轨迹跟踪器。所提出的框架集成了一个分布式强化学习（RL）估计未知的空气动力学效应到一个随机模型预测控制器（SMPC）的轨迹跟踪。由阻力和力矩变化产生的气动力效应很难直接和精确地建模。因此，大多数当前的四旋翼跟踪系统在常规控制方法中将它们视为简单的“干扰”。我们提出了基于分位数近似的分布增强干扰估计器，一种气动干扰估计器，以准确地识别干扰，即，空气动力效应的真实值和估计值之间的不确定性。简化仿射扰动反馈用于控制参数化以保证凸性，然后与SMPC集成以获得充分和非保守的控制信号。我们证明了我们的系统，以提高至少66%的累积跟踪误差与未知的和不同的空气动力相比，最近的国家的最先进的。关于传统的强化学习的不可解释性，我们提供了收敛性和稳定性保证的分布式RL和SMPC，分别与非零均值干扰。
2022-05-14 cs.AI cs.LG cs.RO
Efficient and Robust Time-Optimal Trajectory Planning and Control for Agile Quadrotor Flight
Beijing Institute of Technology（北京理工大学）；Beijing Institute of Technology Chongqing Innovation Center（北京理工大学重庆创新中心）；Tongji University（同济大学）
针对敏捷四旋翼时间最优轨迹规划计算慢、跟踪易受扰动的问题，提出固定航点节点+区间独立采样的快速规划方法，结合时间自适应模型预测控制提升跟踪鲁棒性，并通过仿真和动态航点实验验证了性能。
2023-05-04 cs.RO cs.SY eess.SY
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
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
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
Computationally Efficient Data-Driven MPC 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）
本文针对敏捷四旋翼高速飞行中的气动建模难题，提出将高斯过程模型修正与在线MPC优化分离的数据驱动控制方法，在Gazebo仿真中实现跟踪误差降低50%并提升计算效率。
2023-05-26 cs.RO cs.SY eess.SY
Control and Trajectory Optimization for Soft Aerial Manipulation
Massachusetts Institute of Technology（麻省理工学院）
利用无人驾驶飞行器（UAV）的操纵和抓取目前需要精确定位，并且通常以降低的速度执行以确保成功抓取。这是因为典型的UAV只能容纳具有很少自由度的刚性操纵器，这限制了它们补偿由飞行器定位误差引起的干扰的能力。此外，UAV必须最小化外部接触力以保持稳定性。另一方面，生物系统利用柔软性来克服类似的限制，并利用顺应性来实现积极的抓握。针对一种由四旋翼和柔性夹持器组成的柔性空中机械手，研究其控制和轨迹优化问题，充分发挥柔性的优势。据我们所知，这是第一个在软操纵和无人机控制之间的交叉点的工作。我们提出了一种解耦的方法，四旋翼和软夹持器，结合（i）的几何控制器和最小的捕捉轨迹优化的四旋翼（刚性）基地，与（ii）准静态有限元模型和控制空间插值的软夹持器。我们证明了几何控制器渐近稳定的四旋翼的速度和姿态，尽管增加了软负载。最后，我们评估所提出的系统在一个现实的软动力学模拟器，并表明：（i）的几何控制器是相当不敏感的软有效载荷，（ii）的平台可以可靠地抓住未知的对象，尽管不准确的定位和初始条件，和（iii）解耦控制器是适合实时执行。
2021-11-23 cs.RO cs.SY eess.SY
Temporal Cascading of Planning and Control for Quadrotor MPC
University of Zurich（苏黎世大学）；University of Toronto（多伦多大学）
研究四旋翼空中任务规划与控制问题，提出UNIQUE架构，以时间级联取代分层堆叠，将规划问题作为多阶段MPC的第二尾视野求解，对齐成本、推导约束并引入过渡约束，提升了闭环跟踪性能。
2026-09-30 cs.RO cs.SY eess.SY
ES-HPC-MPC: Exponentially Stable Hybrid Perception Constrained MPC for Quadrotor with Suspended Payloads
Worcester Polytechnic Institute（沃斯特理工大学）；University of California Berkeley（加州大学伯克利分校）
针对带悬挂载荷四旋翼空中运输的混合欠驱动控制与感知难题，提出融合ES-CLFs与CBFs的ES-HPC-MPC框架，经仿真与实实验证，可在缆索松弛-张紧切换等场景下保障稳定跟踪与感知约束满足。
2025-10-29 cs.RO cs.SY eess.SY
Proto-MPC: An Encoder-Prototype-Decoder Approach for Quadrotor Control in Challenging Winds
Mechanical Science and Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程学院）
本文提出一种编码器-原型-解码器元学习模型并集成到模型预测控制中，形成Proto-MPC，以应对四旋翼在动态环境及侧风下的轨迹跟踪挑战，仿真验证其鲁棒性。
2024-05-21 cs.LG cs.RO cs.SY
TACO: Trajectory-Aware Controller Optimization for Quadrotors
School of Engineering and Applied Science, University of Pennsylvania（工程与应用科学学院，宾夕法尼亚大学）
提出TACO框架，通过预测模型和轻量级优化方案在线调整四旋翼控制器参数与轨迹，显著提升跟踪性能并实现物理实时部署。
2025-11-03 cs.RO
High-level spatial Dubins airplane-based reference smoothing with low-level geometric tracking for quadrotor control
Findklein GmbH（芬德克莱因有限公司）
提出一种四旋翼控制方法，含高级参考轨迹平滑与低级跟踪步骤。高级利用杜宾斯飞机模型降维等，低级基于完整模型的几何跟踪控制器。用于跟踪有侧向约束的参考轨迹，有离线一次性和在线闭环递推两种设置。
2026-07-14 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
High-Gain Disturbance Observer for Robust Trajectory Tracking of Quadrotors
Toronto Metropolitan University（多伦多都会大学）
本文提出一种高增益扰动观测器（HGDO）实时估计扰动，结合滑模控制提升四旋翼轨迹跟踪鲁棒性，并通过理论分析与实验验证其有效性。
2024-03-18 cs.RO
Differential Flatness of Quadrotor Dynamics Subject to Rotor Drag for Accurate Tracking of High-Speed Trajectories
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；LAAS-CNRS（法国国家科学研究中心图卢兹自动化与系统分析实验室）；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）
在本文中，我们证明了四旋翼的动力学模型受到线性转子阻力的影响是微分平坦的位置和航向。我们使用这个属性来计算前馈控制项直接从一个参考轨迹跟踪。然后将获得的前馈项用于级联的非线性反馈控制律中，该反馈控制律使得能够使用四旋翼进行精确的敏捷飞行。与将旋翼阻力视为未知扰动的先进控制方法相比，该方法显著减小了轨迹跟踪误差。最后，我们提出了一种基于无梯度优化的方法来识别转子阻力系数，这是需要计算前馈控制项。通过大量的对比实验，新的理论结果得到了充分的验证。
2018-03-28 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
Robust and Efficient Quadrotor Trajectory Generation for Fast Autonomous Flight
Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一个强大的和有效的四旋翼运动规划系统的快速飞行在3-D复杂的环境。我们采用了一种运动动力学路径搜索方法，在离散化的控制空间中找到一个安全的、运动动力学可行的、时间最短的初始轨迹。利用B样条函数的凸包性质，结合欧氏距离场（EDF）的梯度信息和动态约束，通过B样条函数优化来提高轨迹的光滑性和清晰度。最后，通过将最终轨迹表示为非均匀B样条，采用迭代时间调整方法来保证轨迹的动态可行性和非保守性。我们验证我们提出的方法在各种复杂的仿真环境。该方法的能力也验证了在具有挑战性的现实世界的任务。我们将代码作为开源软件包发布。
2019-07-03 cs.RO
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
Real-time Trajectory Generation for Quadrotors using B-spline based Non-uniform Kinodynamic Search
Shanghai Jiao Tong University（上海交通大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Beijing Institute of Control Engineering（北京控制工程研究所）
在本文中，我们提出了一种有效的方法来生成安全，光滑和动态可行的轨迹四旋翼障碍物杂乱的环境。采用均匀B样条表示轨迹，将轨迹规划问题转化为离散空间中B样条控制点的图搜索问题。为了保证整个轨迹的动力学可行性，推导了B样条函数的高严格凸包性质。采用一种新的非均匀运动学搜索策略，在搜索过程中根据欧几里德符号距离场（ESDF）动态调整搜索步长，使轨迹实现合理的时间分配并远离障碍物。允许非静态的初始和目标状态，因此它可以用于在线局部重新规划以及全局规划。大量的仿真和硬件实验表明，我们的方法实现了更高的性能相比，国家的最先进的方法。
2019-11-18 cs.RO
Spiral Trajectories for Building Inspection with Quadrotors
Centro de Innovación y Desarrollo Tecnológico en Cómputo (CIDETEC), Instituto Politécnico Nacional (IPN)（国家理工学院（IPN）计算技术创新与发展中心（CIDETEC））；Universidad de Quintana Roo（金塔纳罗奥大学）；Centro de Investigación en Computación (CIC), Instituto Politécnico Nacional (IPN)（国家理工学院（IPN）计算研究中心（CIC））
大型建筑物的检测是一项重要的工作，因为它可以防止物质和人员的损失。一种便宜而快速的检查方法是通过安装在四旋翼飞行器上的传感器。这里的挑战是计算轨迹，以便完全观察建筑物，同时四旋翼可以以平滑的方式遵循相同的轨迹。为了解决这个问题，我们提出了一种方法，该方法接收目标建筑物的2.5D模型，并计算出四旋翼控制器可以遵循的平滑轨迹。计算出的轨迹是与期望行为相匹配的傅立叶级数。我们的方法已经在模拟测试，我们已经比较了它对多项式轨迹。实验结果表明，该方法是有效的，可以应用于不同的建筑形状.
2022-02-17 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
Robust Fuzzy Q-Learning-Based Strictly Negative Imaginary Tracking Controllers for the Uncertain Quadrotor Systems
四旋翼无人机由于其多功能性和简单的设计而成为最受欢迎的无人机之一。然而，四旋翼飞行控制器的增益的调整可能是费力的，并且在外部干扰和不确定的系统参数下可能难以维持轨迹的精确稳定控制。针对四旋翼机器人姿态和高度稳定问题，提出了一种新的鲁棒自适应控制综合方法。该方法是基于模糊强化学习和严格负虚（SNI）属性。我们的控制方法的第一阶段是通过反馈线性化（FL）技术将一个非线性四旋翼系统转化为一个等效的负虚（NI）线性模型。第二阶段是设计一种控制方案，通过模糊Q学习，生物学习的启发，在线适应严格负虚（SNI）控制器增益。建议的控制器不需要任何事先培训。在一系列的数值仿真中，将所设计的控制器的性能与固定增益SNI控制器、模糊SNI控制器和常规PID控制器的性能进行了比较。此外，所提出的控制器和自适应律的稳定性证明使用NI定理。
2022-03-26 cs.RO
Minimum-Time Quadrotor Waypoint Flight in Cluttered Environments
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
我们解决的问题，规划一个最小的时间轨迹的四旋翼在一系列指定的航路点在障碍物的存在，同时利用完整的四旋翼动力学。这个问题对于自主搜索和救援以及无人机竞赛场景是至关重要的，但是到目前为止，机器人社区\emph{in its entirety}还没有解决这个问题，这是因为在避免碰撞所造成的非凸约束的存在下，最小化时间的挑战。早期的工作依赖于简化的动力学或多项式轨迹表示，没有利用四旋翼的全部致动器潜力，因此，没有以最小化时间为目标。我们解决这个具有挑战性的问题，通过使用一个分层的，基于采样的方法与一个越来越复杂的四旋翼模型。我们的方法首先发现路径在不同的拓扑结构，以指导后续的轨迹搜索的运动动力学点质量模型。然后，它使用一个渐进最佳的，基于Kinodynamic采样的方法，基于一个完整的四旋翼模型上的点质量的解决方案，找到一个可行的轨迹与时间最优的目标。所提出的方法被证明在杂乱的环境中优于所有相关的基线，并在世界上最大的运动捕捉系统之一的实际飞行中以超过60公里/小时的速度进一步验证。我们将代码开源。
2022-02-08 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
Trajectory Replanning for Quadrotors Using Kinodynamic Search and Elastic Optimization
Hong Kong University of Science and Technology（香港科技大学）
我们专注于重新规划的情况下，考虑时间效率，非静态初始状态和动态的可行性是非常重要的。通过研究B样条参数化的性质，提出了一种实时的基于B样条的Kinodynamic（RBK）搜索算法，该算法将A* 和Dijkstra等仅基于位置的最短路径搜索转化为高效的Kinodynamic搜索. RBK搜索是贪婪的，并产生一个动态可行的时间参数化的轨迹有效，这有利于非静态的初始状态的四旋翼。为了应对贪婪搜索和网格结构引起的离散化的限制，我们采用弹性优化（EO）方法作为优化后过程，以改进RBK搜索提供的控制点放置。EO方法通过求解二次约束二次规划（QCQP）问题，找到了表示自由空间的膨胀弹性管内的最优控制点位置。基于B样条的局部控制特性，设计了一种滚动时域重规划器。我们的方法对两个国家的最先进的方法进行了系统的比较。我们将我们的重新规划系统与基于单目视觉的四旋翼飞行器相结合，并验证了我们的机载性能。
2019-03-04 cs.RO
RAPTOR: Robust and Perception-aware Trajectory Replanning for Quadrotor Fast Flight
Hong Kong University of Science and Technology（香港科技大学）；Zhejiang University（浙江大学）
轨迹重新规划的最新进展使四旋翼能够在未知环境中自主导航。然而，高速导航仍然是一个重大挑战。由于时间非常有限，现有的方法对解决方案的可行性或质量没有强有力的保证。此外，大多数方法没有考虑环境感知，这是快速飞行的关键瓶颈。在本文中，我们提出了RAPTOR，一个强大的和感知感知的重新规划框架，以支持快速和安全的飞行。设计了一种包含多个拓扑路径的路径引导优化（PGO）方法，以确保在非常有限的时间内找到可行且高质量的轨迹。我们还引入了感知感知规划策略，以主动观察和避免未知的障碍物。具有风险意识的轨迹细化确保可以更早地观察到可能危及四旋翼的未知障碍物并及时避免。偏航角的运动计划积极探索与安全航行相关的周围空间。所提出的方法进行了广泛的测试。我们将把我们的实现作为一个开源软件包发布给社区。
2020-07-06 cs.RO
TGK-Planner: An Efficient Topology Guided Kinodynamic Planner for Autonomous Quadrotors
Zhejiang University（浙江大学）
在本文中，我们提出了一个轻量级的，但有效的拓扑引导Kinodynamic规划器（TGK规划器）的四旋翼侵略性飞行有限的机载计算资源。该系统遵循传统的层次规划工作流程，在寻路和轨迹优化两个子模块中采用了新颖的设计，提高了鲁棒性和效率。首先，我们提出了拓扑引导图，它粗略地捕获了环境的拓扑结构，并指导基于采样的Kinodynamic规划器的状态采样。通过这种方式，我们显着提高了寻找安全和动态可行轨迹的效率。然后，我们细化的光滑性和连续性的轨迹的优化框架，其中包括同伦约束，以保证轨迹的安全性。优化程序被配制成一个序列的二次规划（QP），可以在几毫秒内迭代求解。最后，所提出的系统集成到一个完全自主的四旋翼，并在各种模拟和现实世界的情况下进行验证。基准比较表明，我们的方法优于国家的最先进的方法方面的效率和轨迹质量。此外，我们将以开源软件包的形式发布我们的代码。
2020-11-08 cs.RO
Decentralized Multi-target Tracking with Multiple Quadrotors using a PHD Filter
Arizona State University（亚利桑那州立大学）
我们考虑的情况下，一组四旋翼的任务是在一个未知的，有界的环境中跟踪多个固定的目标。四旋翼沿着覆盖在环境上的空间网格搜索目标，同时在由离散时间离散状态（DTDS）马尔可夫链建模的该网格上执行随机行走。四旋翼可以将它们对目标位置的估计传输到占据它们在网格上的当前位置的其他四旋翼;因此，它们的通信网络是时变的并且不一定连接。我们模型的搜索过程作为一个更新奖励过程的基础DTDS马尔可夫链。为了适应每个四旋翼在探索环境时观察到的目标集的变化，以及四旋翼对目标的测量的不确定性，我们用随机有限集（RFS）来表示跟踪问题。四旋翼使用基于射频的概率假设密度（PHD）滤波器来估计目标的数量及其位置。我们提出了一个理论估计框架，基于高斯混合配方的PHD滤波器，和初步的模拟结果对扩展现有的方法，基于RFS的多目标跟踪到一个分散的多机器人多目标跟踪策略。我们验证了这种方法与不同密度的机器人和目标的多目标跟踪场景的模拟，我们评估的平均时间所需的机器人在每个场景中达成协议的一组共同的目标。
2020-12-04 cs.MA cs.RO
Detailed Proofs of Alternating Minimization Based Trajectory Generation for Quadrotor Aggressive Flight
本技术报告对\textit{Alternating Minimization Based Trajectory Generation for Quadrotor Aggressive Flight}中使用的算法进行了详细的理论分析。提供假设以确保目标函数的设置是有意义的。此外，我们探讨了优化问题的结构，并分析了所采用的算法的全局/局部收敛速度。
2020-02-21 cs.RO math.OC
Primitive-Planner: An Ultra Lightweight Quadrotor Planner with Time-optimal Primitives
Academy for Engineering and Technology, Fudan University（复旦大学工程与技术学院）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
本文提出一种超轻量级四旋翼规划器，利用时间最优原语库和确定性碰撞检测，以最低计算开销生成最短飞行轨迹，并通过真实实验验证鲁棒性。
2025-02-24 cs.RO
Airflow Source Seeking on Small Quadrotors Using a Single Flow Sensor
Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学）
本文提出利用单个流传感器的小型四旋翼无人机进行空气流动源寻找，通过改进的'Cast and Surge'算法实现可靠源定位。
2026-01-22 cs.RO
Risk-aware Trajectory Sampling for Quadrotor Obstacle Avoidance in Dynamic Environments
Shanghai Jiaotong University（上海交通大学）
四旋翼飞行器在动态环境中的避障问题仍然是一个非常开放的问题。目前的工作通常利用传统的静态地图来表示静态障碍物和运动目标的检测和跟踪（DATMO）的方法来建模动态障碍物分开。检测模块需要预先训练，动态障碍物只能建模为特定形状，如圆柱或椭球。本文利用双结构的基于粒子（DSP）的动态占有地图同时表示任意形状的静态障碍物和动态障碍物，并提出一种有效的基于风险感知采样的局部轨迹规划器，实现在此地图上的安全飞行。通过对状态空间中生成的运动基元进行采样来规划轨迹。每个运动基元分为两个阶段：具有严格风险限制的短期阶段和旨在避免高风险区域的相对长期阶段。风险评估与预测的颗粒形式的未来占用状态，考虑时间维度。该规划器通过对任意全局轨迹的拆分和合并，也可用于具有预先规划的全局轨迹的任务。对比实验表明，由DSP地图和我们的规划器组成的避障系统在动态环境中的性能最好。在现实测试中，我们的四旋翼在运动捕捉系统下达到6 m/s的速度，在低价单板计算机上运行时达到2.5 m/s的速度。
2022-02-15 cs.RO
Reinforcement Learning Trajectory Generation and Control for Aggressive Perching on Vertical Walls with Quadrotors
微型飞行器由于其相对较低的运行成本和在各种应用中的高度灵活性而被广泛研究和应用。研究了欠驱动四旋翼飞行器的停驻问题，设计了一种轨迹规划器和控制器，在状态空间中生成可行轨迹并驱动四旋翼飞行器到达期望状态。提出了一种四旋翼悬停轨迹生成与跟踪方法，该方法综合了强化学习控制器和传统控制器的优点。在仿真环境中，训练好的低层强化学习控制器将操纵四旋翼飞行器朝向停驻点。一旦仿真的四旋翼飞机成功停驻，仿真中的相对轨迹信息将被发送到真实四旋翼飞机上的跟踪控制器，并开始实际的停驻任务。通过训练的强化学习控制器生成可行轨迹需要更少的时间，并且传统的轨迹跟踪控制器可以容易地修改以控制四旋翼并且数学地分析其稳定性和鲁棒性。我们表明，这种方法允许的轨迹和控制器的控制结构，使这种侵略性的机动栖息在垂直表面上具有高精度。
2021-03-04 cs.RO cs.SY eess.SY
