学习具有鲁棒稳定性保证的显式模型预测控制器：非规则采样方法

基于摘要分析。该研究面向非线性显式模型预测控制器（EMPC）的离线监督学习，通过在状态空间中选取采样点并计算对应的最优 EMPC 控制值，学习控制函数的近似表示。核心贡献是以非规则采样替代规则网格，缓解高维状态空间中采样点数量随维度指数增长的问题，并讨论如何保留鲁棒性与稳定性保证。 机制上，控制函数的近似误差大小关系到闭环稳定性与性能要求，因此采样不仅需要提供训练数据，还需充分覆盖状态空间。摘要列出三类方案：均匀分布的 i.i.d. 采样、低差异序列和格点集。作者报告，这些方案可在避免不可行的采样规模增长的同时提供良好覆盖，并保留方法的鲁棒性与稳定性保证；但具体覆盖界、误差界、监督学习模型及保证成立的假设尚未验证。 作者报告，在一个具有 21 维状态空间的实际供热最优控制问题中成功展示了方法应用，该问题的维度使规则网格方案不可行。摘要未提供控制性能数值、采样预算或各方案的定量比较；实验协议、消融及统计信息尚未验证。复现需进一步取得系统动力学、状态约束、最优控制标签生成过程、采样配置与近似器实现。 平台推测（待验证）：若 BCI 闭环系统具有可辨识的状态模型、明确的控制约束，并能离线求解最优控制标签，可检验非规则采样是否有助于降低控制策略学习的数据构造成本；这属于控制层迁移假设，并非 EEG 解码效果证据。可复用部分是状态空间采样与控制函数近似流程，需改造状态估计、动力学及约束。低信噪比、跨被试差异、通道变化或小数据造成的状态估计与模型误差，可能使原有稳定性条件不再适用。一个小规模可证伪实验是在已知动力学的闭环仿真中，以相同采样预算比较规则网格与上述非规则方案的控制近似误差和约束违反情况，再加入观测噪声检验保证边界。已有 EEG 相关工作尚未检索确认。