在时间敏感的任务场景中，四旋翼无人机因其灵活性被广泛用于悬吊载荷的快速运输，典型应用包括搜索救援和医疗物资投送。目前，针对悬吊载荷的运输与穿越飞行的研究已相对成熟，但如何在高度动态的飞行过程中精确地将载荷朝指定目标抛出（即定向释放），相关探索仍然较少。该论文正是聚焦这一空白，提出了一套结合高保真仿真与深度强化学习的方案。
现有主流方法通常依赖基于模型的轨迹优化与跟踪控制。然而，这类方法往往受到保守可行性约束、跟踪误差以及柔性绳索动力学难以解析建模等因素的限制，最终表现并非最优。绳索与载荷之间的耦合作用复杂且高度非线性，传统解析模型很难在保证物理准确性的同时支持激进的抛投机动，这成为制约性能提升的关键瓶颈。
为克服上述限制，作者提出一种混合仿真框架：将高保真的解析四旋翼模型与用于复杂绳索和载荷交互的物理求解器相耦合。两个域在每一步仿真中交换力信息，从而获得对悬吊载荷系统在物理上更准确的模拟。这一环境既保留了无人机动力学的解析精度，又能真实再现绳索的柔性行为与载荷的动态响应。
借助该仿真环境，研究团队训练了一个深度强化学习策略，使其能够执行敏捷且精准的抛投动作，将载荷送达指定目标。值得注意的是，该策略在真实硬件上实现了零样本部署，即在未经额外实机微调的情况下直接迁移到物理平台。实验结果显示，该强化学习策略突破了敏捷性与准确性之间的权衡边界：与基于模型的基线方法相比，着陆误差最多降低 50%，抛投持续时间最多缩短 30%。
消融实验进一步证实，耦合仿真框架是取得这些性能提升的关键因素，说明仅依赖单一域模型难以支撑如此激进的抛投行为。研究还表明，同一套流程可以训练出由视觉观测驱动的策略，而无需依赖显式的状态估计；该视觉策略在准确性上达到与基于状态的策略相当的水平。这一结果对于实际部署具有重要意义，因为真实任务中往往难以获得精确的状态估计。
该论文由 Yifan Zhai 等七位作者完成，提交于 2026 年 6 月 25 日，属于机器人学（cs.RO）方向，编号为 arXiv:2606.27603。为加速动态空中操作领域的后续研究，作者承诺在论文被接收后向社区开源该仿真器。整体而言，这项工作展示了混合仿真与强化学习相结合在动态空中操作任务中的潜力，并为悬吊载荷的精准投送提供了一条新的技术路径。