Planning to Learn: Real-Time Robust Adaptive Control on the GPU with Guaranteed Future Learning
中文摘要
由模型生成 · 人工抽检提出 A-SLS，一种基于系统级合成的学习感知鲁棒自适应模型预测控制框架，能在规划时预测未来参数不确定性并构建紧致可达集，配合 GPU 加速求解器实现实时性能，在四足机器人全身控制与 Crazyflie 无人机在线学习上验证。
全文
已译中文[Submitted on 14 Oct 2026]
标题：
Planning to Learn: Real-Time Robust Adaptive Control on the GPU with Guaranteed Future Learning
查看题为 Planning to Learn: Real-Time Robust Adaptive Control on the GPU with Guaranteed Future Learning 的论文 PDF，作者为 Anutam Srinivasan 及另外 2 位作者
查看 PDF
HTML（实验性）
摘要：
鲁棒自适应控制对于在陌生环境中主动降低不确定性的同时保持机器人安全至关重要。然而，传统方法往往偏保守，因为它们在规划过程中未能考虑有保证的未来参数学习，并且难以扩展到高维系统。在本工作中，我们提出 A-SLS，一个基于系统级综合的学习感知鲁棒自适应模型预测控制（RAMPC）框架。A-SLS 预测未来的参数不确定性，并保留过程扰动、参数误差与估计更新之间的相关性，以构造紧致且有保证的可达集，从而将未来信息增益纳入考量。我们还开发了 GPU 加速的 A-SLS 求解器以实现实时性能。在多个非线性机器人系统上，A-SLS 降低了可达管（reachable-tube）的保守性，保持了实时性能，并扩展到具有 61 个状态、8 个不确定参数和 12 个控制输入的四足机器人全身控制。我们进一步在硬件上演示了该方法，其中一架实体 Crazyflie 无人机在线学习一个不确定的动力学参数，从而在飞行中实现稳定。
提交历史
来自：Anutam Srinivasan [
查看邮件
[v1]
Wed, 14 Oct 2026 20:55:10 UTC (2,498 KB)
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
2 个 · 均跳转原站，本站不托管文件正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。