本文探讨了模型预测控制与强化学习的结合，提出了多种算法（如PPO和DMPO）在四旋翼飞行器控制中的应用。研究表明，基于模型的方法在样本复杂度上优于无模型方法，且DMPO在性能和内存使用上表现出色。此外，新型参数化控制器在解释性和性能上优于传统控制器，展示了实际应用的潜力。

该论文提出多种基于机器学习的方法，以提高四旋翼飞行器在复杂环境中的导航和控制能力，包括高斯过程模型学习、分布式强化学习的轨迹跟踪以及电动垂直起降飞行器的功耗模型。研究表明，这些方法有效降低了跟踪误差，提升了飞行管理工具的准确性，促进了安全、节能的城市空中交通。

本文提出了一种改进的 transformer 架构，通过自我注意力增强模型的稳定性和容错能力，解决了 softmax transformer 的秩坍缩问题。同时，研究探讨了基于强化学习的 PID 控制算法在四旋翼飞行器中的应用，证明其性能优于传统 PID 控制器。

该研究分析了逆境环境对四旋翼飞行器标记物探测的影响，评估了其在精准起降和城市飞行中的可靠性。通过温度和光照等条件下的测试，提出了多种自主降落方法，利用视觉控制和神经网络实现安全降落，显示出高准确率和有效性。

本文介绍了一种高效计算户外场景中高质量 3D 重建的新方法，利用自主导航四旋翼飞行器上的 RGB 摄像机采集图像，通过分层的体积表示区分不同空间，处理遮挡和避免障碍，规划无碰撞的飞行路径，限制飞行距离。该方法获得了令人信服的 3D 重建结果，量化提升显著。