动态系统中难免存在的各类不确定性，是影响系统稳定性和控制性能的重要因素。为补偿不确定性对控制系统的影响，国内外研究者先后提出多种自适应控制方法。然而，相关技术通常仅利用当前时刻的激励信息修正参数估计，仅在回归项满足持续激励条件时才能消除不确定性的影响。如何提升利用激励信息的能力，是自适应控制领域的关键科学问题之一。

近年来，本课题组从“充分收集和利用历史激励信息”的角度出发，开展了触发式批处理辨识和复合学习等数据驱动自适应控制方法研究。针对含参数不确定性的非线性系统，构造线性回归方程以定量收集激励信息，创新性地将参数估计误差分解为受激励和非受激励分量，利用已收集的激励信息更新参数估计值，确保参数估计误差受激励分量的收敛性，从而消除不确定性对系统的影响。相关成果应用于移动机器人、自适应巡航等典型控制系统。未来研究方向包括：基于元学习&Koopman的自适应控制方法、航天器智能自适应控制等。

图1：本课题组提出的基于触发式批处理辨识和复合学习的自适应控制方法框图