内容摘要
作者提出 A-SLS，一种基于系统级综合（SLS）、将未来参数学习纳入规划的鲁棒自适应模型预测控制框架。方法把在线参数估计并入物理状态，在规划时预测未来观测后仍可能存在的参数不确定性，并保留过程扰动、参数误差与估计更新之间的相关性，构造更紧的可达管束，而非假设未来会获得有利测量。作者同时开发 GPU 并行求解器。
在 61 状态、8 个不确定参数、12 个控制输入的四足全身控制仿真中，A-SLS 在 40 次运行中成功 38 次并保持安全避障间距，非自适应 SLS 仅 24 次保持稳定；A-SLS 求解时间中位数为 16.1 毫秒，低于 32 毫秒预算。真机部分，Crazyflie 在线学习未知的推力—加速度参数，在 15 次实验中稳定到达目标；初始估计偏差导致短暂掉高，参数估计约在 0.55 秒时收敛并恢复高度，求解中位数为 8.15 毫秒。
计算平台需区分：仿真使用 RTX 4090 GPU，真机实验使用 Apple M4 Pro CPU。以上为论文作者报告的实验结果。
点评
将未来可保证的学习收益直接纳入鲁棒规划，使控制器能够利用预期的管束收缩，并选择有助于降低参数不确定性的运动。
递归可行性需附加鲁棒正不变终端集、终端控制器等构造并满足相应假设；四足实验还包含超出所设扰动界的模型误差，其成功结果不等于对越界扰动的安全保证。
版本与核查范围
版本 2610.20925v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#S1.p3.1；#S1.p3.1；#S1.I1.i3.p1.1；#abstract1.1；#S5.SS2.p4.1；#S5.SS2.p4.1；#S5.SS2.p5.1；#S5.SS2.p6.1；#S5.SS2.p6.1；#S5.p1.1；#Thmremark1.p1.1