保持平坦性的残差学习用于实时紧密四旋翼编队飞行
研究人员提出了一种基于物理信息的残差动力学学习框架，在保持联合多四旋翼系统微分平坦性的同时，捕获复杂的空气动力学相互作用。该框架实现了一种计算高效的反馈线性化控制器，与基准相比，平均跟踪误差降低了31%。其性能与最先进的非线性模型预测控制（NMPC）相当，但计算量少一个数量级。仅需不到30秒的训练数据和5毫秒的循环周期即可实现稳定的紧密编队飞行。
四旋翼无人机在紧密编队飞行时，会遭受严重的空气动力学干扰，尤其是旋翼下洗流（downwash）引起的湍流。这种干扰如果不加以补偿，可能导致无人机偏离轨迹甚至相互碰撞。传统方法要么忽略干扰（导致性能下降），要么使用计算密集的非线性模型预测控制（NMPC）进行补偿（不适合实时应用）。为此，Pei-An Hsieh等人提出了一种新颖的框架：基于物理信息的残差动力学学习。该框架将物理先验（如牛顿-欧拉方程）与数据驱动的残差学习相结合，确保整个多无人机系统保持微分平坦性。微分平坦性意味着系统的状态和输入可以表示为平坦输出及其导数的代数函数，从而大大简化了控制设计。利用这一特性，研究者设计了一个计算高效的反馈线性化控制器。该控制器通过线性控制技术（如PID）进行调参，并利用学习到的残差模型进行前馈补偿，以抵消空气动力学扰动。
在硬件实验中，团队使用多架四旋翼进行紧密编队飞行测试。结果显示，与不补偿干扰的基线相比，所提方法将平均跟踪误差降低了31%。更重要的是，该方法的跟踪性能与最先进的NMPC相当，但计算量减少了一个数量级——这意味着它可以在计算能力有限的嵌入式平台上实时运行。研究还首次证明，仅需不到30秒的飞行数据训练以及5毫秒的控制循环，就能实现稳定且紧密的编队飞行。这一突破为计算受限的无人机（如轻量级四旋翼）提供了可行的高保真空气动力学补偿方案，有望推动编队飞行在搜救、测绘、表演等领域的实际应用。该论文已被IROS 2026接收，并已于2026年7月14日发布在arXiv上。