Learning uncertainties online for quadrotor flight control: A comparative study
Rattachement africain : cn, it. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Abstract Traditional adaptive and robust control methods sometimes struggle to address the complex and dynamic uncertainties inherent in quadrotor flight, frequently resulting in overly conservative or unstable behavior due to reliance on presumed uncertainty bounds. To overcome these limitations, we propose a unified online-learning-based control framework that integrates data-driven uncertainty estimation with a nominal flight controller. Furthermore, we systematically evaluate four representative learning methods, namely Extreme Learning Machines (ELMs), Radial Basis Function Neural Networks (RBFNNs), Echo State Networks (ESNs), and Gaussian Processes (GPs), spanning both parametric and non-parametric techniques. Through extensive simulation and hardware experiments, we benchmark these methods in terms of (i) uncertainty estimation accuracy, (ii) trajectory tracking performance, and (iii) real-time computational efficiency. Our results reveal key trade-offs: GPs yield highest accuracy but require approximations for real-time use. ELMs and RBFNNs enable fast inference but suffer initialization sensitivity. ESNs provide the best balance, offering both stability and real-time performance. This work underscores the critical role of model selection in learning-based flight control, providing insights for deploying these algorithms in resource-constrained aerial systems operating under uncertainty.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Learning uncertainties online for quadrotor flight control: A comparative study
- Date Crossref
- 03/09/2025
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Tsinghua University Institute for AI Industry Research (AIR) pays non établi dans la noticeUniversité ou école supérieure
-
Beihang University pays non établi dans la noticeUniversité ou école supérieure
-
Politecnico di Torino pays non établi dans la noticeUniversité ou école supérieure
-
School of Aeronautic Science and Engineering pays non établi dans la noticeUniversité ou école supérieure
-
Department of Electronics and Telecommunications pays non établi dans la noticeInstitution
Institute for AI Industry Research (AIR) — Tsinghua University, Beihang University et Politecnico di Torino, avec 2 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.