Moving Horizon Estimation for Quadrotors: An $\mathcal{L}_1$ Adaptive Optimizer Approach
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究提出一种结合 $\mathcal{L}_1$ 自适应优化器的时变求解器，用于高效求解四旋翼的移动水平估计问题，在降低计算负担的同时提高估计精度。
2026-09-28 cs.RO cs.SY eess.SY
Temporal Convolutions for Multi-Step Quadrotor Motion Prediction
Engineering Science, University of Toronto（多伦多大学工程科学学院）；Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究所）
用于机器人系统（如四旋翼、自动驾驶车辆和柔性操纵器）的基于模型的控制方法需要运动模型，该运动模型能够在长时间内生成复杂非线性系统动态的准确预测。时间卷积网络（TCN）可以通过将多步预测公式化为序列到序列建模问题来适应这一挑战。我们介绍End 2 End-TCN：一个完全卷积的架构，它集成了未来的控制输入，在一次向前传递中计算多步运动预测。我们展示了一个彻底的分析TCN性能的四旋翼建模任务，其中包括调查的缩放效应和烧蚀研究的方法。最终，End 2 End-TCN在积极的室内四旋翼飞行数据集上的多步预测中提供了55%的误差减少。该模型在900 ms的时间间隔内，在90个时间步长范围内产生准确的预测。
2021-10-08 cs.LG 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
Observability-Aware Control for Quadrotor Formation Flight with Range-only Measurement
Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究 institute）
本文提出一种基于STLOG的OPC控制器，用于提升四旋翼编队飞行在仅距离测量下的可观测性与定位鲁棒性。
2026-07-17 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
Volumetric Harmonic Field Navigation for Quadrotors
Hong Kong Polytechnic University（香港理工大学）；University of Waterloo（滑铁卢大学）
本文提出将预计算体积调和场与预测规划器耦合，实现四旋翼在杂乱环境中的全局引导与局部运动生成，并首次在物理四旋翼上验证，相比Dijkstra引导具有更大间隙和更低加加速度。
2026-09-17 cs.RO math.AP math.OC
AutoCharge: Autonomous Charging for Perpetual Quadrotor Missions
New York University（纽约大学）；Technology Innovation Institute（技术创新研究所）
针对四旋翼续航瓶颈，本文提出结合便携式地面站、柔性轻质充电系绳、圆形磁性连接器与电磁铁的 AutoCharge 自主充电方案，并通过10小时持续飞行实验验证其可重复对接能力。
2023-06-08 cs.RO
VisFly-Lab: Unified Differentiable Framework for First-Order Reinforcement Learning of Quadrotor Control
VisFly-Lab
本文提出统一的可微框架，用于多任务四旋翼控制，解决一阶强化学习中的状态覆盖不足和梯度偏差问题，通过ABPT算法提升训练鲁棒性，并展示现实部署的初步迁移能力。
2026-03-22 cs.RO
Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking
New York University（纽约大学）
精确建模四旋翼的系统动力学对于保证敏捷、安全和稳定的导航至关重要。该模型需要捕捉多个飞行状态和操作条件下的系统行为，包括那些产生高度非线性效应的行为，如气动力和扭矩、旋翼相互作用或可能的系统配置修改。传统的方法依赖于手工制作的模型，并且难以概括和扩展以捕捉这些效果。在本文中，我们提出了一种新的物理启发的时间卷积网络（PI-TCN）的方法来学习四旋翼的系统动力学纯粹从机器人的经验。我们的方法结合了稀疏时间卷积和密集前馈连接的表达能力，以做出准确的系统预测。此外，在训练过程中嵌入了物理约束，以促进网络对训练分布之外的数据的泛化能力。最后，我们设计了一个模型预测控制方法，它结合了学习动态准确的闭环轨迹跟踪充分利用学习模型预测在滚动时域的方式。实验结果表明，我们的方法准确地提取四旋翼的动力学结构的数据，捕捉效果，将保持隐藏的经典方法。据我们所知，这是第一次将物理启发的深度学习成功应用于时间卷积网络和系统辨识任务，同时实现预测控制。
2022-10-07 cs.AI cs.LG cs.RO
Improved State Estimation in Quadrotor MAVs: A Novel Drift-Free Velocity Estimator
University of Technology Sydney（悉尼科技大学）；University of Moratuwa（莫拉图瓦大学）
本文介绍了一种新的四旋翼微型飞行器的状态估计器的综合和评估。将与加速度、姿态和气动螺旋桨阻力相关的动力学方程封装在扩展的卡尔曼滤波器框架中，用于估计四旋翼的速度和姿态。它表明，利用机身框架加速度和速度之间的关系，由于叶片挥舞，使漂移自由估计的横向和纵向分量的机身框架平移速度，随着改进的滚动和俯仰分量的身体姿态估计。真实世界的数据集收集使用商业现成的四旋翼平台，连同地面实况数据从Vicon系统，被用来评估所提出的算法的有效性。
2015-09-11 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
Time-Optimal Planning for Long-Range Quadrotor Flights: An Automatic Optimal Synthesis Approach
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；University of Toronto Robotics Institute（多伦多大学机器人研究所）；University of Toronto Division of Engineering Science（多伦多大学工程科学系）；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）
针对长距离四旋翼飞行时间最优规划的计算难题，提出基于多项式的自动最优合成（AOS）方法，通过确定最小多项式段数和鲁棒优化方案，在保证时间最优性的同时将计算速度提升数个数量级，并经实验验证有效。
2024-07-25 cs.RO cs.SY eess.SY
Dynamics-Invariant Quadrotor Control using Scale-Aware Deep Reinforcement Learning
Robert Bosch Centre for Cyber Physical Systems, Indian Institute of Science（罗伯特·博世网络物理系统中心，印度科学研究院）；Department of Mechanical Engineering, Indian Institute of Science（机械工程系，印度科学研究院）
本文提出一种基于尺度感知深度强化学习的四旋翼控制方法，通过直接优化力/扭矩输入实现动态不变性，有效提升轨迹跟踪精度和鲁棒性。
2025-03-09 cs.RO cs.SY eess.SY
Optimizing for Aesthetically Pleasing Quadrotor Camera Motion
ETH Zürich（苏黎世联邦理工学院）
在本文中，我们首先贡献了一个大规模的在线研究（N=400），以更好地了解空中视频的美感。结果表明，优化所有关键帧的轨迹平滑度至关重要。然而，对于专家来说，时间控制仍然是一个重要的工具。满足这一双重目标在技术上是具有挑战性的，因为它需要放弃优化公式中的期望属性。其次，本研究通知，我们提出了一种方法，优化位置和时间参考配合联合。这允许生成全局平滑的轨迹，同时保持用户对参考定时的控制。该制剂是作为一个变量，无限的地平线，轮廓以下的算法。最后，比较实验室研究表明，我们的优化方案在感知可用性和结果视频的偏好方面优于最先进的方案。对于新手来说，我们的方法可以产生更平滑，更好看的结果，专家也可以从生成的时间中受益。
2019-06-27 cs.GR cs.HC cs.RO
Roller-Quadrotor: A Novel Hybrid Terrestrial/Aerial Quadrotor with Unicycle-Driven and Rotor-Assisted Turning
Zhejiang University（浙江大学）；School of Mechanical Engineering, Zhejiang University（浙江大学机械工程学院）；Robotics Institute of Zhejiang University（浙江大学机器人研究所）；Robotics Research Center of Yuyao City（余姚市机器人研究中心）；The State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
本研究提出滚轮四旋翼，一种结合空中机动与地面续航的混合无人机，通过独轮驱动与旋翼辅助转向实现节能，实验验证其无缝切换、穿越半直径间隙及显著提升续航与运行时间。
2023-06-27 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
Neural Moving Horizon Estimation for Robust Flight Control
National University of Singapore（新加坡国立大学）
针对四旋翼鲁棒飞行控制中现有扰动估计器调参复杂、依赖真实扰动数据的问题，提出可自动调参的神经移动时域估计器NeuroMHE，经仿真与实体实验验证其性能更优且参数规模更小，可推广至其他机器人鲁棒自适应控制。
2026-09-12 cs.LG cs.RO cs.SY
Learning Agile Quadrotor Flight in the Real World
Robotics and Perception Group, University of Zurich（苏黎世大学机器人与感知组）
研究现实世界中敏捷四旋翼飞行，提出自适应框架，通过自适应时间缩放和在线残差学习探索物理极限、增强标称模型，用RASH-BPTT实现策略更新，实验表明能在接近饱和极限时可靠执行敏捷机动并提升性能。
2026-07-13 cs.RO
Towards Low-Latency High-Bandwidth Control of Quadrotors using Event Cameras
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
事件相机是一个有前途的候选人，使高速基于视觉的控制，由于其低传感器延迟和高时间分辨率。然而，纯粹基于事件的反馈尚未用于无人机的控制。在这项工作中，第一步实现低延迟高带宽控制的四旋翼使用事件相机。特别是，本文解决了一维姿态跟踪问题，使用配备了事件相机的双直升机平台。基于事件的状态估计由修改的Hough变换算法与卡尔曼滤波器组合组成，该滤波器输出双直升机相对于由黑白盘标记的地平线的滚转角和角速度。估计状态由比例-微分姿态控制律处理，该控制律计算跟踪期望姿态所需的转子推力。所提出的姿态跟踪方案显示了事件相机驱动的闭环控制的有希望的结果：状态估计器以1 kHz的更新速率和确定为12 ms的延迟执行，使得姿态跟踪的速度超过1600度/秒。
2020-03-28 cs.RO cs.SY eess.SY
MAVEN: A Meta-Reinforcement Learning Framework for Varying-Dynamics Expertise in Agile Quadrotor Maneuvers
MAVEN通过元强化学习框架实现四旋翼无人机在动态变化中的稳健导航，具备快速适应和零样本仿真到现实的转移能力。
2026-03-11 cs.RO
Aerial Inspection Behaviors via RL-based Quadrotor Control for Under-canopy Forest Environments
Robotics and AI group, in the Department of Computer Science, Electrical and Space Engineering at Luleå University of Technology, Sweden（鲁尔坎大学技术学院机器人与人工智能小组，计算机科学、电气与空间工程系，瑞典）
本文提出了一种基于深度强化学习的四旋翼控制器，用于在树冠下森林环境中进行自主巡检任务，通过端到端控制策略实现巡检视角姿态跟踪，并结合旅行商问题规划器和快速随机树星规划器确保长距离任务的安全可靠部署。
2026-05-19 cs.AI cs.RO math.OC
PCVPC: Perception Constrained Visual Predictive Control For Agile Quadrotors
我们提出了一种感知约束视觉预测控制（PCVPC）算法的四旋翼，使侵略性的飞行，而不使用任何位置信息。我们的框架利用非线性模型预测控制（NMPC）制定一个约束的基于图像的视觉伺服（IBVS）问题。四旋翼动力学，图像动力学，致动约束，并考虑到能见度约束，以处理高敏捷性的四旋翼机动。将IBVS应用于敏捷无人机的两个主要挑战被认为是：（i）深度对强烈方向变化的高度敏感性，以及（ii）由于欠驱动性质，视觉伺服目标和动作目标之间的冲突。为了应对第一个挑战，我们通过方位向量和距离来参数化视觉特征，通过该距离，深度将不再参与图像动态。同时，我们解决了冲突的问题，通过补偿旋转在未来的视觉伺服成本使用预测的方向的四旋翼。我们的方法在模拟中表明，（i）它可以在没有任何位置信息的情况下工作，（ii）它可以在轨迹跟踪中实现9 m/s的最大参考速度而不会丢失目标，以及（iii）它可以到达地标，例如，无人机比赛中的一个门，从不同的初始配置。
2021-09-22 cs.RO cs.SY eess.SY
Low Level Control of a Quadrotor with Deep Model-Based Reinforcement Learning
University of California, Berkeley（加州大学伯克利分校）；Facebook AI Research（脸书人工智能研究院）
设计有效的低级机器人控制器通常需要特定于平台的实现，这需要手动启发式参数调整，重要的系统知识或长的设计时间。随着越来越多的机器人和机电一体化系统部署在从工业自动化到智能玩具的各个领域，对生成低级控制器的通用方法的需求正在增加。为了解决快速生成低级控制器的挑战，我们主张使用基于基于模型的强化学习（MBRL），该学习是在相对少量的自动生成（即，没有系统仿真）数据。在本文中，我们探讨了MBRL在Crazyflie厘米级四旋翼上的能力，该四旋翼具有快速动力学，可在<50 Hz下进行预测和控制。据我们所知，这是第一次使用MBRL控制悬停的四旋翼，只使用板载传感器，直接电机输入信号，没有初始动力学知识。我们的控制器在支持GPU的基站上利用神经网络前向动力学模型的快速模拟，然后通过无线电将最佳当前动作传输到四旋翼固件。在我们的实验中，四旋翼机在3分钟的实验训练数据下实现了长达6秒的悬停能力。
2019-07-19 cs.LG 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
Robotics meets Fluid Dynamics: A Characterization of the Induced Airflow below a Quadrotor as a Turbulent Jet
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
针对四旋翼无人机气动扰动建模问题，本文基于湍流经典理论提出轻量模型，证实远场气流可近似为湍射流，仅需无人机基础参数即可计算，为近人作业、多机控制等场景提供实用工具。
2024-12-12 cs.RO
Learning Quadrotor Control From Visual Features Using Differentiable Simulation
Robotics and Perception Group, Department of Informatics, University of Zurich（机器人感知组，信息学院，苏黎世大学）
本研究通过可微模拟方法高效学习四旋翼控制，显著提升样本效率和训练速度，实现快速恢复四旋翼性能。
2026-01-15 cs.RO
Thrust Microstepping via Acceleration Feedback in Quadrotor Control for Aerial Grasping of Dynamic Payload
Indian Institute of Technology (IIT), Kanpur（印度理工学院坎普尔分校）
针对四旋翼动态载荷空中抓取易因参数突变失稳的问题，提出基于加速度反馈推力微步进与解耦运动控制的TMDC方法，在多种恶劣场景下飞行稳定性优于现有方法，位置RMSE低于0.04米。
2024-10-08 cs.RO
Predicting UAV Type: An Exploration of Sampling and Data Augmentation for Time Series Classification
Northeastern University（东北大学）；U.S. National Reconnaissance Office（美国国家侦察局）；U.S. Space Force（美国太空部队）
本文针对受限空域无人机类型识别问题，采用LSTM进行时间序列分类，并比较不同时间戳采样与类别不平衡处理方法，评估其在四旋翼、六旋翼和固定翼分类上的性能与权衡。
2024-03-01 cs.AI cs.RO
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
Neural Network-based Fault Detection and Identification for Quadrotors using Dynamic Symmetry
MIT（麻省理工学院）
本文提出一种基于LSTM的无模型四旋翼飞行器故障检测与隔离框架，利用动力学对称性仅对单个电机故障进行训练即可预测任意电机故障，实验表明其对部分和完全故障的预测准确率超过90%，且对模型不确定性和数据分布偏移具有鲁棒性。
2023-09-16 cs.RO cs.SY eess.SY
Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors
Dalle Molle Institute for Artificial Intelligence, USI and SUPSI（达勒·莫勒人工智能研究所（瑞士意大利语区大学与瑞士应用科学大学））；Integrated Systems Laboratory, ETH Zürich（苏黎世联邦理工学院集成系统实验室）
针对纳米无人机强约束平台的单目相对定位需求，提出含数据增强、量化的垂直整合DNN系统，实现低功耗高精度定位，性能优于现有技术。
2023-03-03 cs.AI 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
On-device Self-supervised Learning of Visual Perception Tasks aboard Hardware-limited Nano-quadrotors
Dalle Molle Institute for Artificial Intelligence (IDSIA)（达勒·莫勒人工智能研究所（IDSIA））；KU Leuven（鲁汶大学）；ETH Zürich（苏黎世联邦理工学院）
针对硬件受限纳米无人机在未知环境中因域偏移导致感知模型性能下降的问题，提出设备端自监督微调方法，在GAP9芯片上22秒即可实现平均绝对误差最高30%的提升。
2024-03-06 cs.AI cs.RO
NanoBench: A Multi-Task Benchmark Dataset for Nano-Quadrotor System Identification, Control, and State Estimation
NanoBench是首个公开的纳米级四旋翼多任务基准数据集，提供高精度地面真实数据及控制器和估计器输出，用于系统识别、控制和状态估计的评估。
2026-09-17 cs.RO cs.SY eess.SY
Real-Time Trajectory Generation and Hybrid Lyapunov-Based Control for Hopping Robots
Robot Locomotion and Biomechanics Laboratory（机器人运动与生物力学实验室）
针对现有跳跃机器人无法直接控制空中轨迹、难以发挥效率优势的问题，提出实时非线性阻力补偿轨迹生成方法与配套李雅普诺夫控制器，可实现复杂空中轨迹跟踪与着陆姿态控制，适配多尺寸跳跃机器人及四旋翼。
2025-10-01 cs.RO
Soft Hybrid Aerial Vehicle via Bistable Mechanism
University of Pennsylvania（宾夕法尼亚大学）
无人驾驶飞行器已成功地用于各种任务，包括大面积的勘测和取样任务。这些车辆可以采取多种形式。四旋翼的敏捷性和悬停能力使它们非常适合在潜在的狭小空间中航行，而固定翼飞机能够长距离有效飞行。混合动力飞行器（HAV）试图通过展示多种模式来实现这两个益处;然而，变形HAV通常需要额外的致动器，这增加了质量，降低了敏捷性和效率。我们提出了一种变形的HAV折叠机翼，表现出四旋翼和固定翼模式，而不需要任何额外的驱动。这是通过利用飞机中心双稳态机构的运动来实现的，仅使用现有的电机和系统的惯性来驱动机翼的折叠。我们使用拓扑优化的方法优化的折叠机构和折叠翼。由此产生的机制在3D打印机上制造，并连接到现有的四旋翼框架上。我们的原型成功地在这两种模式之间转换，我们的实验表明，制造的原型的行为是一致的模拟。
2020-11-01 cs.RO
SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors
提出基于JEPA的潜空间动力学模型，结合物理启发探测器实现长时域预测，并集成采样最优控制实现实时控制，通过自动化数据生成实现零样本仿真到现实迁移。
2026-06-24 cs.LG cs.RO
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
CMPCC: Corridor-based Model Predictive Contouring Control for Aggressive Drone Flight
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
在本文中，我们提出了一个有效的，滚动时域，本地自适应低层次的规划器作为我们原来的规划器和控制器之间的中间层。我们的方法被命名为基于走廊的模型预测轮廓控制（CMPCC），因为它建立在MPCC和利用飞行走廊作为硬安全约束。它同时优化了飞行攻击性和跟踪精度，从而通过克服不可测干扰来提高系统的鲁棒性。我们的方法具有在线飞行速度优化，严格的安全性和可行性，以及实时性能，并将作为各种四旋翼系统的低级插件发布。
2021-02-24 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
Redundant Observer-Based Tracking Control for Object Extraction Using a Cable Connected UAV
Department of Aeronautical and Automotive Engineering, Loughborough University（航空与汽车工程系，洛桑大学）；Department of Computer Science, University College London（计算机科学系，伦敦大学学院）；Department Of Computer Science, University of Liverpool（计算机科学系，利物浦大学）
针对四旋翼无人机受弹性系绳与垂直干扰的耦合影响，提出一种基于冗余观测器的控制方案，利用三通道冗余测量联合估计线缆刚度与垂直干扰，在跟踪与物体提取实验中显著优于标准观测器方法。
2024-10-31 cs.RO cs.SY eess.SY
Differentiable Moving Horizon Estimation for Robust Flight Control
National University of Singapore（新加坡国立大学）
针对四旋翼鲁棒控制中现有估计器调参或数据需求大的问题，提出可微分移动时域估计算法，通过卡尔曼滤波递归高效算梯度、基于模型的策略梯度无真实值学习参数，可嵌入深度网络联合优化，经仿真验证有效。
2026-09-12 cs.RO cs.SY eess.SY
QuadRocket: An Aerial Robotic Testbed for Adaptive Thrust-Vector Control of Rocket-Like Vehicles
ISR, Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院ISR）；LAETA；LARSyS
提出QuadRocket四旋翼火箭原型，通过自适应反步控制器实现未知扰动下的轨迹跟踪，并验证其作为推力矢量控制试验台的适用性。
2026-07-03 cs.RO cs.SY eess.SY
MomWorld: Momentum-Aware Latent World Model for Long-Horizon Autonomous Driving
Nanyang Technological University（南洋理工大学）；Beijing Jiaotong University（北京交通大学）；North University of China（中北大学）；Dalian University of Technology（大连理工大学）；Tsinghua University（清华大学）
MomWorld提出动量感知潜在世界模型，通过提取并传播场景运动趋势，联合预测未来配置与动量，并采用MoFlow流匹配细化轨迹，在6秒规划时域内将平均碰撞率相对MomAD降低12.2%。
2026-10-01 cs.RO
Decentralized Safe Reactive Planning under TWTL Specifications
University of Minnesota（明尼苏达大学）
我们研究了一个多智能体规划问题，每个智能体的目标是实现一个单独的任务，同时避免与他人的冲突。我们假设每个代理的任务表示为一个时间窗口时序逻辑（TWTL）规范定义在一个3D环境。我们提出了一个分散的滚动时域算法在线规划的轨迹。我们表明，当环境是充分连接，所产生的代理轨迹总是安全的（无碰撞），并导致满意的TWTL规范或其有限的时间松弛。因此，死锁总是被避免，并保证每个代理在最坏的情况下，以有限的时间延迟安全地完成其任务。所提出的算法的性能通过数值模拟和实验证明与四旋翼。
2020-07-23 cs.MA cs.RO cs.SY
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
gatekeeper: Online Safety Verification and Control for Nonlinear Systems in Dynamic Environments
University of Michigan（密歇根大学）
针对感知受限下非线性系统的安全轨迹保障问题，提出计算轻量的gatekeeper算法，通过有限时域前向传播递归构造安全轨迹并证明其长期安全性，经仿真与实物实验验证且优于同类现有技术。
2024-08-14 cs.RO cs.SY eess.SY
Learning High-Speed Flight in the Wild
Robotics and Perception Group, UZH（苏黎世大学机器人与感知组）；Intelligent Systems Lab, Intel（英特尔智能系统实验室）
四旋翼飞行器很灵活。与大多数其他机器不同，它们可以高速穿越极其复杂的环境。到目前为止，只有专业的人类飞行员才能充分利用他们的能力。具有机载传感和计算的自主操作一直限于低速。最先进的方法通常将导航问题分为子任务：传感，绘图和规划。虽然这种方法在低速时已经证明是成功的，但它所建立的分离对于在杂乱环境中的高速导航来说可能是有问题的。实际上，子任务是按顺序执行的，这导致处理延迟增加，并通过管道复合错误。在这里，我们提出了一种端到端的方法，可以在复杂的自然和人造环境中高速自主飞行四旋翼，纯粹是机载传感和计算。关键的原则是直接映射嘈杂的感官观察到无碰撞的轨迹在一个后退的地平线时尚。这种直接映射大大减少了处理延迟，并提高了对噪声和不完整感知的鲁棒性。感觉运动映射由卷积网络执行，该卷积网络通过特权学习专门在模拟中进行训练：模仿专家访问特权信息。通过模拟真实的传感器噪声，我们的方法实现了从模拟到具有挑战性的现实世界环境的zero-shot转移，这些环境在训练过程中从未经历过：茂密的森林，积雪覆盖的地形，脱轨的火车和倒塌的建筑物。我们的工作表明，经过模拟训练的端到端策略能够在具有挑战性的环境中实现高速自主飞行，优于传统的避障管道。
2021-10-11 cs.LG cs.RO cs.SY
Bubble Planner: Planning High-speed Smooth Quadrotor Trajectories using Receding Corridors
University of Hong Kong（香港大学）；Harbin Institute of Technology（哈尔滨工业大学）；Zhejiang University（浙江大学）；Dji Co.（大疆创新科技有限公司）
四旋翼是灵活的平台。在人类专家的帮助下，它们可以在混乱的环境中进行极高速的飞行。然而，高速全自动飞行仍然是一个重大挑战。在这项工作中，我们提出了一个运动规划算法的基础上，约束的最小控制努力轨迹优化（MINCO）框架。具体来说，我们使用一系列重叠的球体来表示环境的自由空间，并提出了两种新的设计，使算法能够实时规划高速四旋翼轨迹。一种是基于采样的走廊生成方法，该方法生成两个相邻球体之间具有较大重叠区域（因此具有整体走廊大小）的球体。第二种是后退地平线走廊（RHC）策略，其中以前生成的走廊的一部分在每次重新规划中重复使用。这两种设计一起根据四旋翼的当前状态扩大了走廊空间，因此允许四旋翼以高速机动。我们的算法对其他国家的最先进的规划方法进行基准测试，以显示其在仿真中的优越性。本文还对这两种设计的必要性进行了全面的消融研究。所提出的方法最后在树林环境中的自主激光雷达导航四旋翼无人机上进行了评估，在没有任何环境或外部定位设施的情况下实现了超过13.7 m/s的飞行速度。
2022-09-14 cs.RO
Terrestrial Locomotion of PogoX: From Hardware Design to Energy Shaping and Step-to-step Dynamics Based Control
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文设计结合四旋翼与弹簧腿的PogoX机器人，提出能量整形高度控制与S2S水平速度控制，使其在TWR<1时实现鲁棒的陆地跳跃运动。
2023-09-26 cs.RO cs.SY eess.SY
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
When Should a Robot Replan? Regret-Guided Update Scheduling in Time-Varying MDPs
University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对时变环境下机器人因预算限制无法持续重规划的问题，提出基于动态遗憾的在线更新调度规则，在仿真和实物实验中优于固定预算基线。
2026-11-03 cs.RO cs.SY eess.SY
Nonlinear Model Predictive Control for Cooperative Transportation and Manipulation of Cable Suspended Payloads with Multiple Quadrotors
New York University（纽约大学）
提出一种非线性模型预测控制方法，使多四旋翼无人机群能在6个自由度上协同操纵缆线悬挂的刚体负载，利用系统冗余实现避障等附加任务，并通过轻量级状态参数化满足实时计算需求。
2024-01-09 cs.RO
Receding Horizon Navigation and Target Tracking for Aerial Detection of Transient Radioactivity
University of Delaware（特拉华大学）
针对四旋翼\ac{mav}在复杂的未知动态环境中进行被动导航和拦截运动目标的问题，提出了一种滚动时域规划与控制策略。利用在相对窄且短的\ac{fov}内生成点云的轻量级短程传感器以及在\ac{mav}上运行的基于\acs{ssd} -MobileNet的深度神经网络，所提出的运动规划和控制策略在传感器\acs{fov}内产生安全且动态可行的\ac{mav}轨迹，车辆使用该轨迹来自主导航、追踪和拦截其移动目标。该任务的完成不依赖于全局规划器或关于环境或移动目标的先验信息。在最大速度为4.5 ~ 5 m/s的复杂室内和室外环境中，数值和实验结果表明了该规划器的有效性。
2022-06-04 cs.RO
