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
本文证明了四旋翼在线性机翼阻力影响下的动力学模型可以通过微分平面理论进行建模，并且基于此提出了一种准确控制四旋翼的方法，其中包括了前馈控制和非线性反馈控制，并且引入了无梯度优化方法来识别电机参数。
Dec, 2017
使用基于数据的控制法律，通过高斯过程回归来补偿系统未知的动力学，并基于学习的模型的不确定性来自适应反馈部分的增益，以保证全局有界跟踪误差。
Nov, 2018
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
通过 EPD 多任务元学习方法和 Proto-MPC 模型预测控制问题的集成，提高四旋翼机在动态变化任务中的适应性和操作能力，该方法在模拟中经验证明具有鲁棒的性能。
提出了一种新型的轨迹跟踪器，其集成了分布式强化学习扰动估计器和随机模型预测控制器，用于准确识别不确定的气动效应，并优化控制参数来保证凸性，实现了至少最优全局收敛速率和一个确定的亚线性速率，对于实际应用提出的 ConsDRED-SMPC 框架在在模拟和实际实验中均得到了验证和评估
Feb, 2023
本文提出了一种使用高斯过程回归模型的模型预测控制方法，用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率，并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。
May, 2017
本文提出了一种基于少量位置布置的压力传感器的数据驱动空气动力学力预测模型，包括线性项和非线性校正，其中线性项通过减少的基础重构预测表面压力分布，而非线性项则是视情况而定的人工神经网络，用于提高精度。该模型在模拟和实验数据中被验证为快速准确地预测无人机的气动力。
May, 2023
模型预测控制与强化学习相结合并在引导策略搜索框架下应用，通过使用机载传感器数据在训练时间内训练神经网络策略，该策略可成功地控制四旋翼飞行器的避障而无需系统完整状态知识。
Sep, 2015
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