提出弹性关节臂强化迭代学习控制方法

Yuri De Santis 等提出强化迭代学习控制（RILC），将迭代学习控制与强化学习耦合，用于弹性关节机械臂的轨迹跟踪，称可实现跨轨迹的快速适应与收敛保证。该方法针对传统 ILC 需对每条新轨迹单独学习、RL 样本复杂度高且跟踪精度有限的问题。 研究在一台欠驱动 4 自由度串联弹性机器人上通过仿真与实验验证，覆盖不同轨迹和建模失配情形，论文已被 Control Engineering Practice 接收（2026 年）。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。