研究论文
双模型 LBMPC · 分离学习性能与鲁棒约束检查
一个模型学习提升性能，另一个带不确定性界限的名义模型负责鲁棒约束检查。作者稿件介绍了涉及地面效应和故意错误模型更新的四旋翼试验。
核查日期 2026-11-05 · 已核查来源与书目信息
书目信息与编辑概述已对照原始来源核查。访问条件与版本见来源说明。
- 原文标题
- Provably safe and robust learning-based model predictive control
- 发布机构
- Elsevier BV
- 作者
- Anil Aswani, Humberto Gonzalez, S. Shankar Sastry, Claire Tomlin
- DOI
- 10.1016/j.automatica.2013.02.003
- 发布日期
- 2013-05
- 原文语言
- en
- 版本
- Automatica; 2013; DOI 10.1016/j.automatica.2013.02.003
- 访问条件
- 发布方信息与开放作者稿
- 出版状态
- 已发布
相关资料与工程解读
资料概述
一个模型学习提升性能，另一个带不确定性界限的名义模型负责鲁棒约束检查。作者稿件介绍了涉及地面效应和故意错误模型更新的四旋翼试验。
使用与审查
已核查摘要与四旋翼应用章节。鲁棒性依赖不确定性界限、模型和约束假设，并不覆盖所有学习错误或机器人实体故障。
来源与版本
Provably safe and robust learning-based model predictive control ↗
Elsevier BV · Automatica; 2013; DOI 10.1016/j.automatica.2013.02.003
Automatica bibliography; arXiv:1107.2487v2 abstract and High Performance Quadrotor Helicopter Flight section, https://arxiv.org/abs/1107.2487v2.