How to Model Your Crazyflie Brushless

📄 arXiv: 2603.05944v1 📥 PDF

作者: Alexander Gräfe, Christoph Scherer, Wolfgang Hönig, Sebastian Trimpe

分类: cs.RO

发布日期: 2026-03-06

💡 一句话要点

针对Crazyflie Brushless无人机，提出精确动力学模型并验证其在强化学习控制中的有效性

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 四旋翼飞行器 动力学建模 系统辨识 强化学习 控制算法 仿真 领域随机化

📋 核心要点

  1. Crazyflie Brushless的出现为敏捷纳米四旋翼飞行器控制研究提供了新的机会，但缺乏精确的动力学模型阻碍了控制算法的开发和验证。
  2. 本文提出了一种Crazyflie Brushless的动力学模型，并通过系统辨识方法确定了模型的关键参数，为后续控制算法设计奠定基础。
  3. 通过仿真和硬件实验验证了模型的准确性，并展示了其在强化学习控制中的应用，包括端到端位置控制和后空翻控制。

📝 摘要（中文）

本文针对纳米四旋翼飞行器研究的领先平台Crazyflie Brushless，提出了其动力学模型并辨识了关键参数。Crazyflie Brushless配备了无刷电机，与Crazyflie 2.1的带刷电机相比，推力提高了约50%，为敏捷纳米四旋翼飞行器控制研究开辟了新机遇。通过仿真和硬件分析，评估了模型的准确性。此外，通过训练端到端的神经网络位置控制器和学习能够执行两次完整旋转且垂直移动仅1.8米后空翻控制器，证明了该模型适用于强化学习应用。这展示了该模型促进控制器和特技动作学习的能力，这些控制器和特技动作可以成功地从仿真转移到硬件。利用此应用，研究了领域随机化对控制性能的影响，为利用所提出的模型弥合sim-to-real差距提供了宝贵的见解。整个项目已开源，使Crazyflie Brushless的用户能够在精确的仿真平台上快速实施和测试自己的控制器。

🔬 方法详解

问题定义：现有Crazyflie Brushless的控制算法开发依赖于试错法，效率低下且安全性难以保证。缺乏精确的动力学模型是主要瓶颈，导致仿真结果与真实飞行存在较大差距，难以直接将仿真中训练的控制器部署到真实硬件上。

核心思路：本文的核心思路是建立一个足够精确的Crazyflie Brushless动力学模型，并利用该模型进行控制算法的仿真和训练，最终实现将仿真中训练的控制器成功部署到真实硬件上。通过精确的动力学模型，可以减少在真实硬件上进行试错的次数，提高控制算法的开发效率和安全性。

技术框架：该研究的技术框架主要包括以下几个阶段：1) 建立Crazyflie Brushless的动力学模型，包括电机模型、螺旋桨模型、机身模型等。2) 通过系统辨识方法确定模型的关键参数，例如电机常数、螺旋桨推力系数、机身惯量等。3) 在仿真环境中验证模型的准确性，例如通过比较仿真结果与真实飞行数据。4) 利用该模型进行控制算法的训练，例如使用强化学习方法训练端到端的神经网络控制器。5) 将训练好的控制器部署到真实硬件上，并进行实际飞行测试。

关键创新：该研究的关键创新在于提出了一个足够精确的Crazyflie Brushless动力学模型，并验证了其在强化学习控制中的有效性。该模型不仅考虑了电机的非线性特性，还考虑了螺旋桨的气动效应，从而提高了模型的准确性。此外，该研究还展示了如何利用该模型进行控制算法的训练，并将训练好的控制器成功部署到真实硬件上。

关键设计：在动力学模型中，采用了较为精细的电机模型，考虑了电机的电压-转速特性和转矩-电流特性。在螺旋桨模型中，考虑了螺旋桨的气动效应，例如螺旋桨的推力和扭矩与转速的关系。在强化学习控制中，采用了端到端的神经网络控制器，直接将传感器数据映射到电机控制信号。在领域随机化方面，对模型的参数进行随机化，例如电机常数、螺旋桨推力系数、机身惯量等，以提高控制器的鲁棒性。

📊 实验亮点

实验结果表明，所提出的动力学模型能够准确地预测Crazyflie Brushless的飞行行为。利用该模型训练的端到端神经网络位置控制器能够成功地在真实硬件上运行，并实现了稳定的位置控制。此外，通过该模型学习的后空翻控制器能够执行两次完整的旋转，且垂直移动仅为1.8米，展示了该模型在特技飞行控制中的潜力。

🎯 应用场景

该研究成果可广泛应用于纳米四旋翼飞行器的控制算法开发、仿真验证和性能优化。精确的动力学模型能够帮助研究人员设计更高效、更鲁棒的控制算法，并减少在真实硬件上进行试错的次数。此外，该模型还可用于开发更复杂的飞行任务，例如自主导航、编队飞行和特技飞行。

📄 摘要（原文）

The Crazyflie quadcopter is widely recognized as a leading platform for nano-quadcopter research. In early 2025, the Crazyflie Brushless was introduced, featuring brushless motors that provide around 50% more thrust compared to the brushed motors of its predecessor, the Crazyflie 2.1. This advancement has opened new opportunities for research in agile nano-quadcopter control. To support researchers utilizing this new platform, this work presents a dynamics model of the Crazyflie Brushless and identifies its key parameters. Through simulations and hardware analyses, we assess the accuracy of our model. We furthermore demonstrate its suitability for reinforcement learning applications by training an end-to-end neural network position controller and learning a backflip controller capable of executing two complete rotations with a vertical movement of just 1.8 meters. This showcases the model's ability to facilitate the learning of controllers and acrobatic maneuvers that successfully transfer from simulation to hardware. Utilizing this application, we investigate the impact of domain randomization on control performance, offering valuable insights into bridging the sim-to-real gap with the presented model. We have open-sourced the entire project, enabling users of the Crazyflie Brushless to swiftly implement and test their own controllers on an accurate simulation platform.