挖掘机作为一种复杂的工程机械，被广泛运用于各种未知的和恶劣的施工环境中执行多种工作任务。液压挖掘机通常需要一名具有丰富现场工作经验的驾驶员手动操作操纵杆控制液压机械臂完成一系列指定动作，进而完成作业任务。然而，复杂作业环境下驾驶员的安全问题和长时间作业导致工作效率下降是亟待解决的重要问题。液压挖掘机自主化作业正是解决上述问题的核心。 挖掘机铲斗与土壤交互作业时，会受到阻力的影响。由于地形、土壤结构、温度等因素变化的影响，铲斗的挖掘阻力也会有所不同。因此，不同的土壤条件需要设置不同的控制参数。模型预测控制能够有效处理带有约束的非线性系统，参数调整也比较简单，并且滚动优化策略使优化过程反复在线进行，因此在每一个时刻有一个相对于该时刻的局部优化解。然而，模型预测控制依赖于系统的模型，当模型发生改变时会导致模型预测控制的控制性能下降。一方面，模型预测控制是一种先进的控制策略，它将系统的动态模型与实时数据结合起来，以预测未来一段时间内系统的行为，并基于这些预测来生成最优控制动作。另一方面，现有的模型预测控制通常假设模型不变，但实际应用中，大部分的系统模型是随时间变化的，这很大程度限制了模型预测控制的使用范围。因此迫切需要提出新的针对模型随时间发生变化情况下的控制方法。 为了实现挖掘机的高效作业，针对系统模型受环境影响而发生变化的情况，数据驱动技术为模型准确性提供了保障。然而传统的数据驱动方法采用线性加权平均，由于考虑到偏离系统的模型参数，导致计算的距离数值过大，从而影响模型精度。此外，线性加权平均需要对每一个数据点的距离分配权重，这不仅增加了设备的计算负担，还可能进一步降低模型的精度。