Actor-critic learning based adaptive super-twisting sliding mode control for uncertain robot 审稿

审稿看到一篇纯灌水的神经网络NN(RBFNN、Actor-critic learning)和滑膜SMC(sliding mode control)结合换个应用对象纯灌水的投稿。

Actor-critic learning based adaptive super-twisting sliding mode control for uncertain robot manipulators with full state constraints.

这种滑膜控制(SMC) sliding mode control套各种神经网络(NN) neural network (RL等)的文章早十几年前就做烂了。这篇手稿没有任何进步更多地是现有技术的成分替换拼凑和简单应用，还口口声声说别人没做过，没有考虑啥啥啥，自己设计啥啥，除了骗一些不是该应用对象方向的审稿人。

审稿并检索了一上午，完全没看到创新性，还口口声声claim创新点，真的是大言不惭。作者宣称自己考虑机器人的外界干扰、不确定性、约束别人都没有考虑过，实际上完全早十几年就有同样的文献发表了。到现在2024年了，还整各种神经网络学习+滑膜灌水以及拿现有技术拼凑换个领域应用，什么修改了成本函数、反馈机制等等都是老掉牙的东西了，真的是没有任何发表价值，纯灌水！！

作为十几个控制领域期刊的审稿人，我更多地关注文中所述机器人怎么规划和实时避障，而不是自己给出一条曲线进行简单的跟踪。本手稿拼凑的的滑膜和神经网络方法老掉牙了，纯属灌水，也根本无法应用于机器人领域。

另外，我发现作者在仿真部分存在调参数造假的行为：通过调参数来让自己的方法比以前滑膜控制中某一文献方法好。