递归高斯过程在线补偿让四旋翼单轴水平跟踪误差降低38%至75%

提出用递归高斯过程在线补偿反馈线性化控制器未抵消的非线性动力学，并配套一种新的基于卡尔曼滤波的调参算法。 以往学习型控制器多停留在仿真或离线实现，且受限于无人机算力；该工作把RGP的稀疏化技术与卡尔曼滤波调参结合，使补偿环节可在线运行。 文中说明RGP是带稀疏化技术的贝叶斯模型，用于降低算法计算复杂度，并明确该调参算法是为这一目的专门设计；摘要未给出算法细节与复杂度数值。

整套RGP流程直接部署在真实四旋翼上，并完成室内单轴水平位置控制的实验验证。 相对此前受算力限制而局限于仿真或离线的学习型控制器，该工作把在线学习补偿落到真实飞行平台上。 实验平台为ANT-X Lab无人机，验证对象为单轴水平位置控制，环境为室内；摘要未报告机载计算负载或实时性指标。

在重复与非重复正弦参考信号下，加入RGP后跟踪精度一致提升，均方根误差几何平均改善38%至75%。 该对比以同一控制器去掉RGP作用为基线，覆盖多种正弦参考信号，说明增益并非只对某一类轨迹成立。 摘要报告所有实验中几何平均均方根误差改善38%至75%，几何平均跟踪误差4.5厘米至9.85厘米；未给出逐次实验的样本量或统计检验。

该结果面向需要在未建模扰动或未建模动力学下提升跟踪精度的无人机控制场景，尤其是算力受限、必须机载在线运行的平台。它说明带稀疏化的递归高斯过程配合卡尔曼滤波调参，可以在真实四旋翼上以单轴水平位置控制的形式落地，并为后续把同类在线补偿扩展到更多自由度、室外环境与更强扰动条件提供了实验起点。对读者而言，可直接借鉴的是“反馈线性化加在线贝叶斯残差补偿”这一结构，以及把调参算法与补偿模型一并设计、一并上机的思路。

摘要未说明RGP的稀疏化程度、核函数选择、训练数据规模与在线更新频率，也未报告机载计算负载、实时性与失败案例。实验仅覆盖室内单轴水平位置控制与正弦类参考信号，未涉及风扰、气动效应等文中提到的未建模因素的实际注入，也未给出多轴或室外结果。此外，文中指出学习型控制器的形式化稳定性保证仍是开放挑战，因此该方案的稳定性边界尚待明确。由于本次读取范围不完整，缺少图表与逐次实验数据，上述关于改善幅度与误差水平的判断只能依据摘要中的汇总数值，具体实验条件与重复次数仍是读者需要自行核对的开放问题。