基于误差预测学习模型预测控制的自适应预测时域映射

基于摘要分析。本文研究模型预测控制（MPC）中如何随当前预测不确定性及终端状态到期望状态的估计距离，动态选择预测时域，而不是始终使用固定时域。核心贡献是将时域选择表示为可学习的 horizon maps，并分析用于学习这些映射的数据质量要求。 作者报告，在线性系统中，最优预测时域所构成的映射具有较好的结构性，因此能够借助机器学习工具学习。该机制把控制状态与预测误差相关信息对应到时域选择；摘要未说明具体学习器、误差预测方法、训练目标或在线更新方式，不能据此认定其使用特定神经网络或状态空间模型架构。 作者以受外部驱动、带约束的线性二次调节器问题展示框架结果，并称其适合实时控制、可扩展至更高维系统。摘要未提供系统维数、对照策略、控制误差、约束违反率或计算耗时等定量结果；实验协议、消融及统计信息尚未验证。复现时需核对最优时域的定义与获取方式、学习数据的状态覆盖范围，以及时域切换对约束满足和闭环稳定性的影响。 平台推测（待验证）：该方法可能对应 BCI 闭环外部设备控制中的时域选择问题，而非 EEG 解码本身。迁移假设是设备具有可用的动力学模型，且解码输出或控制扰动的不确定性能够估计；可复用的是时域选择映射，需改造的是不确定性估计和控制目标。EEG 低信噪比、跨被试差异及小数据可能使误差预测失准，导致时域选择不可靠。一个可证伪的小实验是在同一设备仿真、相同解码输出与计算预算下，对比固定时域和学习时域策略的跟踪误差、约束违反率及单步耗时。已有 EEG 相关工作尚未检索确认。