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
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
本论文提出了一种适用于四轴飞行器的通用自适应控制器，基于神经网络，通过在仿真环境中训练实现快速适应各种扰动和硬件变化。
Sep, 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
该研究评估了一种离散动作空间强化学习方法（Q-learning）在机器人倒立摆平衡的连续控制问题中的应用。为了加快学习过程并克服直接在真实机器人系统上进行学习的技术困难，学习阶段在模拟环境中进行。通过对从真实系统获取的数据进行曲线拟合来推导系统动力学的数学模型。该研究验证了该方法的可行性，应用于一个真实世界的机器人学习平衡倒立摆。该研究还强调并证明了在模拟中准确表示物理世界对于实现强化学习算法在真实环境中更有效的重要性，即使使用离散动作空间算法来控制连续动作。
Dec, 2023
小型四旋翼飞行器通过模拟得到的控制策略以及领域随机化和系统识别技术实现了成功的倒置降落行为，模拟了在苍蝇中观察到的行为。
Feb, 2024
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
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
该研究旨在通过应用非线性深度强化学习（DRL）代理作为传统线性比例积分微分（PID）控制器的替代品，从而彻底改革无人机飞行控制。主要目标是实现无人机在手动和自主模式之间的无缝过渡，提高其响应性和稳定性。利用 Gazebo 模拟器中的 Proximal Policy Optimization（PPO）强化学习策略训练 DRL 代理，并通过添加价格为 20000 美元的室内 Vicon 跟踪系统实现 < 1mm 的定位精度，从而大大提高了自主飞行的精确性。为了在最短的无碰撞轨迹下引导无人机导航，我们还构建了一个三维 A * 路径规划器，并成功将其应用到实际飞行中。
Mar, 2024