- 解决**无人机(unmanned aerial vehicle, UAV)** 在海上船只上**自主着陆(autonomous landing)** 的挑战，尤其面临开阔海域中无人机与着陆平台的**耦合运动(coupled motion)** 问题
- 现有方法通常需要显式的**平台状态信息(platform-state information)**，而在恶劣海况下获取该信息困难且不可靠
- 研究背景：海上作业需求日益增长，但湍急水域中的敏捷着陆尚未被有效解决
- 提出基于**强化学习(reinforcement learning, RL)** 的方法，仅使用**多旋翼状态测量(multirotor state measurements)** 和**局部视觉特征(local visual features)** （包括关键点和描述符）来预测**姿态(attitude)** 和**推力(thrust)** 命令
- 策略在仿真中使用**合成关键点(synthetic keypoints)** 和随机生成的归一化描述符进行训练，实现**零样本部署(zero-shot deployment)**，可直接用于无人机上不同的**局部特征提取器(local feature extractors)**
- 预测的姿态和推力命令由传统的**低层控制器(low-level controller)** 跟踪执行
- **首创新型范式**：首次在**湍急水域(turbulent waters)** 中实现多旋翼敏捷着陆，且**不依赖显式平台状态表示(explicit platform-state representation)**，仅依靠视觉特征
- **零样本迁移能力**：使用合成关键点训练，无需真实平台数据即可直接部署到不同特征提取器上，极大提升实用性和泛化性
- **卓越性能**：在对应“非常粗糙(Very Rough)”海况的仿真中，性能优于**模型预测控制(model predictive control, MPC)** 基线方法
- **真实世界验证**：通过两个不同局部特征提取器的实际飞行实验证明了方法的有效性和鲁棒性
- 为海上无人机自主着陆提供了一种**新颖的、不依赖平台状态** 的强化学习框架，降低了系统对传感器和通信的依赖
- 在恶劣海况下达到**超越现有最优方法** 的性能，推动了无人机在复杂海洋环境中的应用
- 通过仿真和真实实验全面验证了方法，为后续研究提供了可复现的基准和思路