IROS 2025 无人机与集群学习控制论文精选

Learning-Based Passive Fault-Tolerant Control of a Quadrotor with Rotor Failure (IROS 2025)

哈工深楼云江团队针对四旋翼在任意单旋翼故障下的安全问题，提出一种基于学习的被动容错控制方法。本文设计了一个新颖的选择器 - 控制器网络结构，无需故障信息或控制器切换。仿真与实物实验表明，该方法在故障响应速度与位置跟踪性能上优于现有 PFTC 和 AFTC 方法，并在完全旋翼失效情况下实现了实物飞行验证。

3. 基于贝叶斯优化的参数自整定

Heteroscedastic Bayesian Optimization-Based Dynamic PID Tuning for Accurate and Robust UAV Trajectory Tracking (IROS 2025)

重庆大学和澳大利亚悉尼麦考瑞大学研究团队针对无人机轨迹跟踪中因系统非线性、强耦合特性及环境干扰导致的控制精度与鲁棒性不足问题，提出基于异方差贝叶斯优化的动态 PID 整定方法。该方法通过显式建模噪声方差与输入间的依赖关系，并采用两阶段优化策略，实现对控制器参数的自适应调整。仿真和真实实验表明，本文方法显著优于现有方法，位置与角度跟踪精度分别提升 24.7%-42.9% 和 40.9%-78.4%，显著提升了轨迹跟踪的准确性和环境适应能力。

多智能体系统

一、多智能体强化学习

1. 知识增强的团队奖励驱动协同追捕

Emergent Cooperative Strategies for Pursuit-Evasion in Cluttered Environments: A Knowledge-Enhanced Multi-Agent Deep Reinforcement Learning Approach (IROS 2025)

国防科技大学周晗团队针对复杂环境中多智能体合作追逃任务，提出一种知识增强的多智能体深度强化学习方法（KE-MATD3），通过集成改进人工势场（IAPF）的启发式知识来引导团队奖励学习，突破个体奖励局限，促进协作行为。实验表明，KE-MATD3 在仿真和实物测试中均表现出优越的学习效率和性能，并涌现出有效的合作策略。

2. 分层强化学习实现异构集群安全协同

Multi-UAV-UGV Collision-Free Tracking Control via Control Barrier Function-Based Reinforcement Learning (IROS 2025)

四川大学杨鑫松老师与华中科大苏厚胜老师团队提出一种基于强化学习与控制屏障函数的分层控制方法，以解决多无人机 - 无人地面车协同跟踪中特征匹配、实时跟踪和无人机间避碰问题。本文核心贡献包括设计最优特征匹配以最小化无人机飞行距离、开发无模型强化学习跟踪器，以及构建基于 CBF 的安全调节器确保碰撞规避。仿真与实物实验结果表明，本文方法能实现高效、实时且安全的跟踪。

我们使用 Crazyflie 2.1 无人机与麦卡姆轮机器人进行实测，所呈现的实时追踪结果验证了本方法的有效性。

二、多智能体模仿学习

Symmetry-Guided Multi-Agent Inverse Reinforcement Learning (IROS 2025)

北京航空航天大学吴文峻团队为解决多智能体逆向强化学习（MIRL）中样本效率低的问题，首次证明利用多智能体系统固有的对称性可以恢复更准确的奖励函数，并提出一个包含对称性引导演示增强器（SGDA）和对称感知鉴别器（SAD）的通用框架。仿真和现实实验结果表明，该框架能显著提高算法性能，在真实多机器人系统中得到有效验证。

三、语言模型任务规划

TALKER: A Task-Activated Language Model Based Knowledge-Extension Reasoning System (IEEE RA-L, Feb. 2025)

北京航空航天大学吴文峻团队在 IEEE RA-L 期刊发表成果，并于 IROS 2025 作大会报告。论文提出的 TALKER 系统，旨在解决使用多智能体强化学习训练无人机执行复杂集体任务时面临的数据成本高、可扩展性差等挑战。本文提出了一种结合任务激活和知识扩展机制的分层交互框架，利用大语言模型进行集群级任务规划，并通过内外双重反馈循环实现系统持续演进。实验结果表明，TALKER 系统在多达 90 架无人机的集群任务中，相比基于多智能体强化学习的方法显著提高了任务成功率。