为了解决遭受气动力矩的四旋翼飞行器的轨迹生成和反馈控制问题，本文提出了一种自适应轨迹生成策略，通过引入跟踪成本函数来改善四旋翼系统的轨迹追踪能力，在模拟和硬件实验中验证了该方法的有效性。

Jan, 2024

采用高斯过程模型建模空气动力学特性，并将其并入模型预测控制器，从而实现高速无人机精确控制。

Feb, 2021

本文探讨使用基于神经网络的动力学模型来合成不同于训练的轨迹的控制，并在四旋翼试验台上进行了实验验证。

Oct, 2016

本文介绍了针对六自由度飞行器和球形摆联合的非线性动力系统，利用反馈线性化和控制李雅普诺夫函数与二次规划（CLF-QP）方法，提出了不同类型的控制器。我们展示了对于仅有飞行器和飞行器 - 摆联合情况的轨迹追踪。

Aug, 2023

本研究提出了一种基于物理启发的时间卷积网络（PI-TCN）方法，用于纯从机器人经验中学习四旋翼系统动力学，结合稀疏时间卷积和稠密前馈连接，挖掘四旋翼动力学的结构，并将物理约束嵌入训练过程，以实现网络的泛化能力，同时实现了精确的封闭环轨迹跟踪和预测控制，实验结果表明这是第一次成功将物理启发深度学习应用于时间卷积网络和系统识别任务。

Jun, 2022

本文提出了一种基于深度学习的鲁棒非线性控制器，提高了四旋翼降落时的控制性能，并通过实验证明了该控制器在降落和横向轨迹跟踪方面均显著优于传统的非线性控制方法。

Nov, 2018

本文提出了一种使用事件相机实现闭环控制的方案，通过一个带有事件相机的双旋翼平台，采用修改后的霍夫变换算法与卡尔曼滤波器估算姿态，并使用 PD 控制器计算转子推力，实现一维姿态跟踪，同时取得了很好的控制效果。

Nov, 2019

该论文提出了一种新的轨迹跟踪器，用于自主四旋翼飞行器在动态和复杂环境下导航，在该系统中，分布式强化学习（RL）估计器用于未知的空气动力学效应，与随机模型预测控制（SMPC）相结合进行轨迹跟踪，用这种方法可以改进了至少 66% 的跟踪误差。

May, 2022

本研究旨在设计和开发一个数学基础的四旋翼旋转动态仿真框架，以测试强化学习算法在各种灵活的配置下的表现，该框架利用初值问题求解常微分方程（ODE）系统来模拟四旋翼的线性和非线性表现，并通过添加随机高斯噪声使仿真变得确定性 / 随机性，同时该框架还支持多进程并行运行。

Feb, 2022

本文介绍了一种在机器人控制、优化和估计中求取系统动态的导数的新方法，该方法利用了自动微分技术，以及在四足机器人 HyQ 和 6 自由度机械臂动态路径规划方面的实际应用。

Sep, 2017