保持平坦性的殘差學習用於即時緊密四旋翼編隊飛行
研究人員提出了一種基於物理資訊的殘差動力學學習框架，在保持聯合多四旋翼系統微分平坦性的同時，捕獲複雜的空氣動力學相互作用。該框架實現了一種計算高效的反饋線性化控制器，與基準相比，平均跟蹤誤差降低了31%。其效能與最先進的非線性模型預測控制（NMPC）相當，但計算量少一個數量級。僅需不到30秒的訓練資料和5毫秒的迴圈週期即可實現穩定的緊密編隊飛行。
四旋翼無人機在緊密編隊飛行時，會遭受嚴重的空氣動力學干擾，尤其是旋翼下洗流（downwash）引起的湍流。這種干擾如果不加以補償，可能導致無人機偏離軌跡甚至相互碰撞。傳統方法要麼忽略干擾（導致效能下降），要麼使用計算密集的非線性模型預測控制（NMPC）進行補償（不適合即時應用）。為此，Pei-An Hsieh等人提出了一種新穎的框架：基於物理資訊的殘差動力學學習。該框架將物理先驗（如牛頓-尤拉方程）與資料驅動的殘差學習相結合，確保整個多無人機系統保持微分平坦性。微分平坦性意味著系統的狀態和輸入可以表示為平坦輸出及其導數的代數函式，從而大大簡化了控制設計。利用這一特性，研究者設計了一個計算高效的反饋線性化控制器。該控制器透過線性控制技術（如PID）進行調參，並利用學習到的殘差模型進行前饋補償，以抵消空氣動力學擾動。
在硬體實驗中，團隊使用多架四旋翼進行緊密編隊飛行測試。結果顯示，與不補償干擾的基線相比，所提方法將平均跟蹤誤差降低了31%。更重要的是，該方法的跟蹤效能與最先進的NMPC相當，但計算量減少了一個數量級——這意味著它可以在計算能力有限的嵌入式平臺上即時執行。研究還首次證明，僅需不到30秒的飛行資料訓練以及5毫秒的控制迴圈，就能實現穩定且緊密的編隊飛行。這一突破為計算受限的無人機（如輕量級四旋翼）提供了可行的高保真空氣動力學補償方案，有望推動編隊飛行在搜救、測繪、表演等領域的實際應用。該論文已被IROS 2026接收，並已於2026年7月14日釋出在arXiv上。