Nonlinear System Identification Nano-drone Benchmark

该数据集由瑞士IDSIA研究所与苏黎世联邦理工学院联合发布，包含Crazyflie 2.1纳米四旋翼飞行器在敏捷机动下的7.5万条真实飞行样本。数据涵盖4组高动态轨迹，同步记录4维电机输入与13维输出测量值，通过运动捕捉系统提供地面真实值。数据集专为非线性系统辨识设计，重点解决微型无人机在强非线性、开环不稳定状态下的动力学建模难题，并为多步预测误差评估提供标准化协议。其开源特性支持敏捷控制、微型机器人等领域的算法研究。

This dataset was jointly released by the Dalle Molle Institute for Artificial Intelligence (IDSIA, Switzerland) and ETH Zurich. It contains 75,000 real flight samples of the Crazyflie 2.1 nano quadrotor during agile maneuvers. The dataset covers four sets of high-dynamic trajectories, synchronously recording 4-dimensional motor inputs and 13-dimensional output measurements, with ground truth provided by a motion capture system. Specifically designed for nonlinear system identification, this dataset focuses on addressing the dynamic modeling challenges of micro unmanned aerial vehicles (UAVs) under highly nonlinear, open-loop unstable conditions, and provides a standardized protocol for multi-step prediction error evaluation. Its open-source nature supports algorithmic research in fields such as agile control and miniature robotics.

原始信息汇总

Nano-Quadrotor System Identification Benchmark 数据集概述

数据集基本信息

• 数据集名称：Nano-Quadrotor System Identification Benchmark
• 数据来源：真实飞行实验数据
• 采集平台：Crazyflie 2.1 Brushless 纳米四旋翼无人机
• 数据规模：约 75,000 个样本
• 主要目的：为非线性系统辨识提供可复现的基准，专注于系统辨识与预测，而非控制器设计。

数据内容与结构

输入变量

• 四个电机的角速度：uₜ = [Ω₁, Ω₂, Ω₃, Ω₄]

输出变量（全状态，共13维）

• 位置（世界坐标系）
• 线速度（世界坐标系）
• 姿态（四元数，世界坐标系）
• 角速度（机体坐标系）

飞行轨迹

数据包含四种预定义的飞行轨迹：

• Square（方形轨迹）
• Random（随机轨迹）
• Melon（甜瓜形轨迹）
• Chirp（扫频信号轨迹）

数据划分：

• 训练集：使用 Square、Random 和 Chirp 轨迹的数据。
• 测试集：Melon 轨迹的数据被单独保留，用于评估模型在轨迹层面的泛化能力。

基准评估协议

• 评估指标：多步开环预测误差。
• 预测时长：评估长达 0.5 秒（100 Hz 采样率下的 50 步）的开环误差传播。
• 评估焦点：系统辨识与预测性能。

提供的参考模型

数据集配套提供了多种参考辨识模型，包括：

1. 物理模型 (PhysQuadModel)：基于刚体动力学和RK4积分。
2. 纯数据驱动神经网络模型 (ResidualQuadModel)：基于MLP。
3. 混合模型 (PhysResQuadModel)：物理模型 + 神经残差网络。
4. 循环神经网络模型 (QuadLSTM)：基于LSTM，用于捕捉时间依赖性。

相关资源与引用

• 配套论文：“Nonlinear System Identification Nano-drone Benchmark”，提交至 Special Issue on Machine Learning and Control Engineering。
• 预印本：arXiv:2512.14450 [eess.SY] (2025)。
• 引用格式： bibtex @misc{busetto2025sysid, title={Nonlinear System Identification Nano-drone Benchmark}, author={Riccardo Busetto and Elia Cereda and Marco Forgione and Gabriele Maroni and Dario Piga and Daniele Palossi}, year={2025}, eprint={2512.14450}, archivePrefix={arXiv}, primaryClass={eess.SY}, url={https://arxiv.org/abs/2512.14450}, }

搜集汇总

数据集介绍

构建方式

在微型无人机系统辨识领域，高质量真实飞行数据的稀缺性长期制约着算法比较与模型验证的进展。本数据集以Crazyflie 2.1无刷纳米四旋翼为平台，通过精心设计的实验流程构建而成。数据采集在配备18台摄像机的运动捕捉系统中进行，同步记录了四维电机转速输入与十三维状态输出测量值，涵盖位置、速度、姿态四元数与角速度。为确保时序一致性，原始异步数据经过延迟估计与重采样处理，并采用零相位巴特沃斯滤波器对不同物理量的信号进行分组滤波，其中四元数信号通过旋转矢量表示在流形空间进行滤波，以保持SO(3)结构。最终形成的七万五千个样本包含四种激进的飞行轨迹，为非线性动力学建模提供了丰富的激励信号。

特点

该数据集的核心特征体现在其针对纳米尺度飞行器独特动力学特性的全面覆盖。平台本身作为开环不稳定的多输入多输出系统，在敏捷机动下展现出强烈的非线性行为，为系统辨识带来了显著挑战。数据集不仅包含平稳飞行段，更重点采集了高速平移与大角度机动数据，最大线速度超过3米每秒，最大倾斜角接近63度，充分激发了气动耦合与执行器饱和等复杂效应。数据结构的完整性是其另一突出特点，除同步的电机指令与状态测量外，还提供了经过校准的电机转速映射与详细的平台物理参数，使得研究者能够直接进行算法验证而无需自行搭建硬件系统。

使用方法

为促进系统辨识算法的公平比较，数据集配套提供了标准化的评估协议与基准模型。评估聚焦于多步开环预测性能，定义了长达50步的滚动预测窗口，并针对位置、线速度、姿态与角速度分别设计了基于欧氏距离与SO(3)流形测地距离的误差指标。使用者可将Square、Random与Chirp轨迹用于模型训练，而Melon轨迹则作为独立的测试集。开源代码库中实现了物理模型、混合物理-学习架构以及纯数据驱动模型等多种基线，为算法性能提供了参照基准。研究者可通过这些工具快速验证新方法在真实噪声与执行器非线性下的预测能力，推动敏捷微型空中机器人控制技术的发展。

背景与挑战

背景概述

非线性系统辨识纳米无人机基准数据集由瑞士卢加诺的IDSIA研究所与苏黎世联邦理工学院的研究团队于2025年共同创建，旨在填补微型飞行器动力学建模领域标准化评估资源的空白。该数据集基于广泛使用的Crazyflie 2.1无刷纳米四旋翼飞行器，收录了超过7.5万条真实飞行样本，涵盖四种高机动性轨迹。其核心研究聚焦于解决纳米尺度飞行器在敏捷飞行状态下的多输入多输出、开环不稳定及强非线性动力学系统的精确建模问题，为系统辨识与控制算法提供了首个公开的、结构化的真实飞行数据基准，显著推动了微型空中机器人领域模型驱动方法的研究进程。

当前挑战

该数据集致力于解决纳米无人机在真实噪声与执行器非线性影响下的高精度多步预测这一核心挑战，其难点在于平台极低的质量与紧凑结构导致对扰动高度敏感，且在敏捷机动中呈现出复杂的空气动力学效应。在构建过程中，研究团队面临多重技术挑战：首先，需在微型嵌入式系统上实现电机转速的高精度同步测量与双向通信；其次，必须设计能够充分激发系统非线性动态的多样化、高机动性轨迹；此外，还需解决多源异构传感器数据的时间同步、运动捕捉系统与机载时钟的精确对齐，以及在高噪声环境下对姿态等流形数据进行保结构滤波等一系列复杂的数据预处理难题。

常用场景

经典使用场景

在微型空中机器人领域，非线性系统辨识是提升模型预测精度与控制性能的核心挑战。该数据集通过提供Crazyflie 2.1纳米四旋翼在敏捷飞行中的真实轨迹数据，为研究者构建了一个标准化的测试平台。其经典使用场景集中于评估各类系统辨识算法在非线性、多输入多输出且开环不稳定系统上的表现，特别是针对多步超前预测任务。研究者可利用数据集中的四种激进轨迹，在统一评估指标下比较物理模型、数据驱动模型及混合模型的预测能力，从而推动算法在微型飞行器动态建模方面的创新。

实际应用

该数据集的实际应用价值主要体现在推动微型无人机的高性能模型预测控制发展。基于精确的系统动态模型，可以设计出更鲁棒、更敏捷的飞行控制器，使纳米无人机能够在复杂、动态的室内环境中完成自主导航、避障乃至竞速等任务。数据集提供的真实噪声与非线性特性，有助于训练出对实际扰动具有强泛化能力的模型，从而降低在真实硬件平台上的部署风险与调优成本，加速从仿真到现实应用的转化进程。

衍生相关工作

围绕该数据集，已衍生出一系列聚焦于微型无人机动态建模与控制的经典研究工作。例如，研究者利用该基准测试比较了纯物理模型、混合物理-学习架构以及纯数据驱动模型在长时域预测上的性能，揭示了标准二次电机模型在描述激进机动时存在的局限性。这些工作进一步催生了针对纳米无人机更精细的电机-螺旋桨气动模型研究，以及专为嵌入式微控制器设计的高效、轻量化学习架构探索，持续拓展着敏捷微型空中机器人的能力边界。