本研究结合模型控制与强化学习，开发了四足动物的鲁棒控制器，提升了其在复杂环境中的适应性和能源效率。实验表明，该控制策略在真实环境中实现了高鲁棒性和节能，推动了机器人技术的发展。

本文研究了基于Wasserstein分布的鲁棒控制策略，提出了可计算的值迭代和策略迭代算法，并构建了多阶段性能保证和最优控制策略。同时，探讨了在不确定性下的强化学习算法改进，以提高机器人动作的鲁棒性。

本文介绍了一种基于模型学习的鲁棒控制方法，利用鲁棒凸优化和Lyapunov理论定义了鲁棒控制Lyapunov阻碍函数，实现了安全性和稳定性保证的控制器。通过模拟结果展示了该方法在汽车轨迹跟踪、非线性控制中的障碍物避障、卫星交会和飞行控制等问题上的应用，表明该方法降低了计算成本，并且控制器的能力与稳健MPC技术相匹配或优于其能力。