本論文「WaveLander: A Generalizable Hierarchical Control Framework for UAV Landing on Wave-Disturbed Platforms via Reinforcement Learning」は、2026年7月1日にarXivへ投稿されたロボティクス（cs.RO）分野の研究で、Chun-Kit Li氏ら計7名の著者によって執筆されています。論文は8ページ・図6点で構成され、識別子はarXiv:2607.01281（v1）です。
研究背景として、波浪で揺れる海上プラットフォームへの無人航空機（UAV）の自律着陸は、プラットフォームの動きが確率的で予測しづらいこと、姿勢が時々刻々と変化すること、接地時の条件が不確実であることから、依然として難しい課題とされています。従来のモデルベース手法は正確な運動予測とオンライン最適化を必要とすることが多く、一方でエンドツーエンド学習は学習の複雑さが高く、解釈性が限られるという課題がありました。
そこで提案されたのが、強化学習（RL）を用いた階層型制御フレームワーク「WaveLander」です。最大の特徴は、垂直方向の着陸判断と低レベルの飛行安定化を分離した点にあります。RLポリシーは、プラットフォームに対する相対的な情報を圧縮した観測を受け取り、スカラー値の垂直速度指令を出力するだけに留まります。姿勢の安定化や横方向の追従といった実際の飛行制御は、従来型の低レベル飛行コントローラが担います。これにより、動的に動くプラットフォームへの着陸問題を、低次元でタイミングを考慮した制御問題へと還元できます。また、明示的な切り替えルールを設けなくても滑らかな着陸動作が実現できるとされています。
評価は、波浪によるプラットフォームの動きをランダム化したシミュレーション環境で行われました。その結果、WaveLanderは堅牢な着陸性能を示し、学習時に経験していない外乱条件にも汎化できることが確認されています。この成果は、海上でのUAV回収に向けた階層型学習ベース制御の可能性を示すものと位置づけられています。