来自视觉信息的特征点的全局收敛位置观察者的设计是一个具有挑战性的问题，特别是对于仅具有惯性测量的情况，并且没有均匀可观察性的假设，这仍然长时间保持开放。我们在本文中提供了解决问题的解决方案，假设只有特征点的轴承，以及机器人的偏置线性加速度和机器人的旋转速度 - 都可以使用。此外，与现有相关结果相反，我们不需要重力常数的值。所提出的方法在最近开发的基于参数估计的观察者（Ortega等人，Syst。控制。Lett。，Vol.85,2015）及其在我们以前的工作中的矩阵群体的延伸。给出了观察者收敛的机器人轨迹的条件，这些条件比激发和均匀完全可观察性条件的标准持久性严格弱。最后，我们将建议的设计应用于视觉惯性导航问题。还提出了仿真结果以说明我们的观察者设计。

在本文中，我们提出了一种新颖的观察者来解决视觉同时定位和映射（SLAM）的问题，仅使用来自单眼摄像机和惯性测量单元（IMU）的信息。系统状态在歧管$ se（3）\ times \ mathbb {r} ^ {3n} $上演变，我们在其中仔细设计动态扩展，以便产生不变的叶片，使得问题重新加入在线\ EMPH{常量参数}识别。然后，遵循最近引入的基于参数估计的观察者（PEBO）和动态回归扩展和混合（DREM）过程，我们提供了一个新的简单解决方案。值得注意的优点是，拟议的观察者保证了几乎全局渐近稳定性，既不需要激发的持久性也不是完全可观察性，然而，在大多数现有的工作中广泛采用了保证稳定性。

在本文中，我们对系统和输入矩阵的线性时变（LTV）系统的自适应状态观察问题感兴趣，这取决于未知的时变参数。假设这些参数满足一些已知的LTV动态，但初始条件未知。此外，状态等式由具有不确定恒定参数的外部系统产生的添加信号扰乱。我们的主要贡献是提出全局收敛状态观察者，该州只需要在系统上疲软的激励假设。

本文为自动驾驶车辆提供了基于激光雷达的同时定位和映射（SLAM）。研究了来自地标传感器的数据和自适应卡尔曼滤波器（KF）中的带状惯性测量单元（IMU）加上系统的可观察性。除了车辆的状态和具有里程碑意义的位置外，自我调整过滤器还估计IMU校准参数以及测量噪声的协方差。流程噪声，状态过渡矩阵和观察灵敏度矩阵的离散时间协方差矩阵以封闭形式得出，使其适合实时实现。检查3D SLAM系统的可观察性得出的结论是，该系统在地标对准的几何条件下仍然可以观察到。

Visual Inertial Odometry (VIO) is the problem of estimating a robot's trajectory by combining information from an inertial measurement unit (IMU) and a camera, and is of great interest to the robotics community. This paper develops a novel Lie group symmetry for the VIO problem and applies the recently proposed equivariant filter. The symmetry is shown to be compatible with the invariance of the VIO reference frame, lead to exact linearisation of bias-free IMU dynamics, and provide equivariance of the visual measurement function. As a result, the equivariant filter (EqF) based on this Lie group is a consistent estimator for VIO with lower linearisation error in the propagation of state dynamics and a higher order equivariant output approximation than standard formulations. Experimental results on the popular EuRoC and UZH FPV datasets demonstrate that the proposed system outperforms other state-of-the-art VIO algorithms in terms of both speed and accuracy.

非线性自适应控制理论中的一个关键假设是系统的不确定性可以在一组已知基本函数的线性跨度中表示。虽然该假设导致有效的算法，但它将应用限制为非常特定的系统类别。我们介绍一种新的非参数自适应算法，其在参数上学习无限尺寸密度，以取消再现内核希尔伯特空间中的未知干扰。令人惊讶的是，所产生的控制输入承认，尽管其底层无限尺寸结构，但是尽管它的潜在无限尺寸结构实现了其实施的分析表达。虽然这种自适应输入具有丰富和富有敏感性的 - 例如，传统的线性参数化 - 其计算复杂性随时间线性增长，使其比其参数对应力相对较高。利用随机傅里叶特征的理论，我们提供了一种有效的随机实现，该实现恢复了经典参数方法的复杂性，同时可透明地保留非参数输入的表征性。特别地，我们的显式范围仅取决于系统的基础参数，允许我们所提出的算法有效地缩放到高维系统。作为该方法的说明，我们展示了随机近似算法学习由牛顿重力交互的十点批量组成的60维系统的预测模型的能力。

This paper proposes a novel observer-based controller for Vertical Take-Off and Landing (VTOL) Unmanned Aerial Vehicle (UAV) designed to directly receive measurements from a Vision-Aided Inertial Navigation System (VA-INS) and produce the required thrust and rotational torque inputs. The VA-INS is composed of a vision unit (monocular or stereo camera) and a typical low-cost 6-axis Inertial Measurement Unit (IMU) equipped with an accelerometer and a gyroscope. A major benefit of this approach is its applicability for environments where the Global Positioning System (GPS) is inaccessible. The proposed VTOL-UAV observer utilizes IMU and feature measurements to accurately estimate attitude (orientation), gyroscope bias, position, and linear velocity. Ability to use VA-INS measurements directly makes the proposed observer design more computationally efficient as it obviates the need for attitude and position reconstruction. Once the motion components are estimated, the observer-based controller is used to control the VTOL-UAV attitude, angular velocity, position, and linear velocity guiding the vehicle along the desired trajectory in six degrees of freedom (6 DoF). The closed-loop estimation and the control errors of the observer-based controller are proven to be exponentially stable starting from almost any initial condition. To achieve global and unique VTOL-UAV representation in 6 DoF, the proposed approach is posed on the Lie Group and the design in unit-quaternion is presented. Although the proposed approach is described in a continuous form, the discrete version is provided and tested. Keywords: Vision-aided inertial navigation system, unmanned aerial vehicle, vertical take-off and landing, stochastic, noise, Robotics, control systems, air mobility, observer-based controller algorithm, landmark measurement, exponential stability.

本文介绍了一类时变植物的自适应控制的新参数估计算法。该算法的主要特征是时变的学习速率的矩阵，其使得每当满足激励条件时，使参数估计误差轨迹能够朝向紧凑型朝向紧凑型呈现快速。该算法用于在存在未知参数的大类问题中，并且是时变的。结果表明，该算法保证了系统的状态和参数误差的全局界限，并避免了用于构造密钥回归信号的经常使用过滤方法。另外，在存在有限和持久的激励的情况下，提供了这些误差趋向于紧凑型朝向紧凑型趋向于紧凑型的时间间隔。与时变忘记因素相比，投影运算符用于确保学习率矩阵的界限。提供了数值模拟以补充理论分析。

姿势估计对于机器人感知，路径计划等很重要。机器人姿势可以在基质谎言组上建模，并且通常通过基于滤波器的方法进行估算。在本文中，我们在存在随机噪声的情况下建立了不变扩展Kalman滤波器（IEKF）的误差公式，并将其应用于视觉辅助惯性导航。我们通过OpenVINS平台上的数值模拟和实验评估我们的算法。在Euroc公共MAV数据集上执行的仿真和实验都表明，我们的算法优于某些基于最先进的滤波器方法，例如基于Quaternion的EKF，首先估计Jacobian EKF等。

虽然已经提出了用于国家估计的利用现有LIE组结构的许多作品，但特别是不变的扩展卡尔曼滤波器（IEKF），少数论文解决了允许给定系统进入IEKF框架的组结构的构造，即制造动态群体染色和观察不变。在本文中，我们介绍了大量系统，包括涉及在实践中遇到的导航车辆的大多数问题。对于那些系统，我们介绍一种新的方法，系统地为状态空间提供组结构，包括诸如偏差的车身框架的载体。我们使用它来派生与线性观察者或过滤器那些类似的观察者。建议的统一和多功能框架包括IHKF已经成功的所有系统，改善了用于传感器偏差的惯性导航的最新的“不完美”IEKF，并且允许寻址新颖的示例，如GNSS天线杆臂估计。

收缩理论是一种分析工具，用于研究以均匀的正面矩阵定义的收缩度量下的非自主（即，时变）非线性系统的差动动力学，其存在导致增量指数的必要和充分表征多种溶液轨迹彼此相互稳定性的稳定性。通过使用平方差分长度作为Lyapunov样功能，其非线性稳定性分析向下沸腾以找到满足以表达为线性矩阵不等式的稳定条件的合适的收缩度量，表明可以在众所周知的线性系统之间绘制许多平行线非线性系统理论与收缩理论。此外，收缩理论利用了与比较引理结合使用的指数稳定性的优越稳健性。这产生了基于神经网络的控制和估计方案的急需安全性和稳定性保证，而不借助使用均匀渐近稳定性的更涉及的输入到状态稳定性方法。这种独特的特征允许通过凸优化来系统构造收缩度量，从而获得了由于扰动和学习误差而在外部扰动的时变的目标轨迹和解决方案轨迹之间的距离上的明确指数界限。因此，本文的目的是介绍了收缩理论的课程概述及其在确定性和随机系统的非线性稳定性分析中的优点，重点导出了各种基于学习和数据驱动的自动控制方法的正式鲁棒性和稳定性保证。特别是，我们提供了使用深神经网络寻找收缩指标和相关控制和估计法的技术的详细审查。

In this work, we propose a collision-free source seeking control framework for unicycle robots traversing an unknown cluttered environment. In this framework, the obstacle avoidance is guided by the control barrier functions (CBF) embedded in quadratic programming and the source seeking control relies solely on the use of on-board sensors that measure signal strength of the source. To tackle the mixed relative degree of the CBF, we proposed three different CBF, namely the zeroing control barrier functions (ZCBF), exponential control barrier functions (ECBF), and reciprocal control barrier functions (RCBF) that can directly be integrated with our recent gradient-ascent source-seeking control law. We provide rigorous analysis of the three different methods and show the efficacy of the approaches in simulations using Matlab, as well as, using a realistic dynamic environment with moving obstacles in Gazebo/ROS.

本文介绍了在外部应用力和时刻的6自由度刚体动态系统的二阶非线性模型的自适应识别（AID）的质量识别（AID）可观察性的长期开放问题。虽然已经报道了这种系统的植物参数的稳定方法，但据报道，稳定模型的直接自适应轨迹跟踪控制的稳定模型的直接自适应轨迹跟踪控制，这些研究已经无法分析自适应参数估计收敛到真正的工厂参数值。本文向这类系统稳定的自适应标识符报告了6-DOF植物惯性参数的均匀完全可观察性（UCO）的必要和充分条件。当满足UCO条件时，Adaptive参数估计被显示为True工厂参数值会聚。据我们所知，这是第一个据报道的植物参数UCO系统和适应性参数估算到真正参数值的融合。 We also report a numerical simulation study of this AID approach which shows that (a) the UCO condition can be met for fully-actuated plants as well as underactuated plants with the proper choice of control input and (b) convergence of adaptive parameter estimates to真正的参数值。我们猜想这种方法可以扩展到包括出现刚体植物模型的其他参数，包括用于阻力，浮力，增加质量，偏置和执行器的参数。

用于在线状态估计的随机过滤器是自治系统的核心技术。此类过滤器的性能是系统能力的关键限制因素之一。此类过滤器的渐近行为（例如，用于常规操作）和瞬态响应（例如，对于快速初始化和重置）对于保证自主系统的稳健操作至关重要。本文使用n个方向测量值（包括车身框架和参考框架方向类型测量值）引入了陀螺仪辅助姿态估计器的新通用公式。该方法基于一种集成状态公式，该公式结合了导航，所有方向传感器的外部校准以及在单个模棱两可的几何结构中的陀螺式偏置状态。这种新提出的对称性允许模块化的不同方向测量及其外部校准，同时保持在同一对称性中包括偏置态的能力。随后使用此对称性的基于滤波器的估计量明显改善了瞬态响应，与最新方法相比，渐近偏置和外部校准估计。估计器在统计代表性的模拟中得到了验证，并在现实世界实验中进行了测试。

We propose AstroSLAM, a standalone vision-based solution for autonomous online navigation around an unknown target small celestial body. AstroSLAM is predicated on the formulation of the SLAM problem as an incrementally growing factor graph, facilitated by the use of the GTSAM library and the iSAM2 engine. By combining sensor fusion with orbital motion priors, we achieve improved performance over a baseline SLAM solution. We incorporate orbital motion constraints into the factor graph by devising a novel relative dynamics factor, which links the relative pose of the spacecraft to the problem of predicting trajectories stemming from the motion of the spacecraft in the vicinity of the small body. We demonstrate the excellent performance of AstroSLAM using both real legacy mission imagery and trajectory data courtesy of NASA's Planetary Data System, as well as real in-lab imagery data generated on a 3 degree-of-freedom spacecraft simulator test-bed.

本文涉及未知离散时间非线性系统动态的有限时间学习的问题，而无需持久性激发。提出了一种有限时间的并发学习方法，以通过采用当前数据以及录制的经验丰富的数据，以满足记录的丰富度的易于检查等级条件的记录经验丰富的数据来近似离散时间非线性系统的不确定性与励磁条件持久性相比，数据不太限制。严格的证据保证了估计参数的有限时间收敛到基于离散时间的Lyapunov分析的优化值。与文献中的现有工作相比，仿真结果说明了所提出的方法可以及时，精确地近似于不确定性。

与传统的刚体机器人相比，软机器人不仅表现出前所未有的适应性和灵活性，而且由于其无限的自由度而在模型和控制中提出了新颖的挑战。大多数现有方法主要依赖于近似模型，因此可以利用发达的有限维控制理论。但是，这可能会导致建模不确定性和性能降解。因此，我们建议对软机器人系统利用无限维度分析。我们的控制设计基于越来越多的Cosserat Rod模型，该模型使用非线性偏微分方程（PDE）描述了软机器人臂的运动学和动力学。我们为Cosserat PDE模型设计了无限维状态反馈控制定律，以实现轨迹跟踪（由位置，旋转，线性和角速度组成）并证明其均匀的跟踪收敛性。我们还仅使用位置测量值来估算所有状态变量（包括位置，旋转，应变，曲率，线性和角速度）的所有状态变量（包括位置，旋转，应变，曲率，线性和角速度）。使用模拟评估所提出的算法。

通过连续静态状态反馈诱导的任务是在本文中考虑了非线性控制系统中的渐近稳定的杂核轨道。主要动机来自确保在欠抖动的机械系统中对所谓的点对点机动的收敛的问题。即，在其状态控制空间中平滑曲线，这与系统动态一致，并连接两个（线性）稳定的平衡点。该方法使用特定的参数化，以及在机动上的状态投影，以便为此目的结合两个线性化技术：沿轨道的边界的均衡和横向线性化的雅蟒线性化。这允许通过求解半纤维编程问题来计算稳定控制增益。由此产生的非线性控制器同时渐近轨道稳定轨道和最终平衡，是局部LipsChitz连续的时间不变，不需要切换，并且具有熟悉的馈送加上反馈状结构。该方法还通过基于同步函数的参数来互补，用于规划具有一定程度的疏松的机械系统的机械系统。 “蝴蝶”机器人在两点之间的球滚动的非预先生操纵任务的数值模拟证明了合成的功效。

这项教程调查概述了统计学习理论中最新的非征血性进步与控制和系统识别相关。尽管在所有控制领域都取得了重大进展，但在线性系统的识别和学习线性二次调节器时，该理论是最发达的，这是本手稿的重点。从理论的角度来看，这些进步的大部分劳动都在适应现代高维统计和学习理论的工具。虽然与控制对机器学习的工具感兴趣的理论家高度相关，但基础材料并不总是容易访问。为了解决这个问题，我们提供了相关材料的独立介绍，概述了基于最新结果的所有关键思想和技术机械。我们还提出了许多开放问题和未来的方向。

我们提出协调指导矢量字段，以与机器人团队同时完成两个任务：首先，多个机器人的指导和导航到可能嵌入2D或3D中的可能不同的路径或表面；其次，他们的运动协调在跟踪他们的规定路径或表面时。运动配位是由路径或表面上的机器人之间所需的参数位移定义的。通过控制对应于指导矢量场之间的路径或表面参数的虚拟坐标来实现这种所需的位移。由动力学系统理论和Lyapunov理论支撑的严格数学保证，用于从所有初始位置上有效的分布式运动协调和机器人在路径或表面上导航。作为实用机器人应用的一个例子，我们从所提出的具有驱动饱和度的Dubins-car样模型的指导向量场中得出了一种对照算法。我们提出的算法分布并可扩展到任意数量的机器人。此外，广泛的说明性模拟和固定翼飞机户外实验验证了我们算法的有效性和鲁棒性。