面向闭环误差控制的长时域飞机轨迹预测的表征–传播学习

基于摘要分析。本文研究未来飞行意图的不确定性在物理轨迹展开中被放大的问题，提出 Representation–Propagation Learning（RPL），将未来意图表征与轨迹传播显式分离，以控制长时域飞机轨迹预测中的误差累积。 机制上，RPL 先推断潜在未来意图并解码为参考轨迹，再通过带有有界闭环反馈的可微飞机动力学实现轨迹传播。作者将反馈稳定的跟踪变量与不可避免的位置积分环节分开分析，并报告：在有限增益闭环跟踪动力学条件下，未来意图扰动引起的终端状态敏感性随预测时域 T 至多按 O(√T) 增长，而非指数增长。这一结论针对传播敏感性，并不等同于所有预测误差均具有相同增长界；其具体范数、扰动约束及推导条件尚未验证。 作者报告，在 21,816 个留出 ADS-B 预测窗口的评估中，RPL 改善了长时域预测精度与扰动鲁棒性。CFM 在短时域表现更好；在 120 秒预测时域下，RPL 相比 CFM 的 ADE 和 FDE 分别降低 9.79% 和 5.17%。作者还报告，受控扰动实验支持闭环反馈能够减少展开过程中的误差累积与性能退化。上述数字仅适用于该摘要所述评估；数据划分方式、窗口独立性、训练设置、消融及统计信息尚未验证。摘要提及匿名代码仓库，但所给材料未提供可核对的仓库地址。 平台推测（待验证）：可迁移的假设是，在具有已知或可辨识执行器动力学的 BCI 连续控制任务中，将神经信号解码的目标表征与闭环运动传播分离，可能降低长期运动展开误差。可复用的是参考轨迹与反馈传播的分工，需改造意图编码器和执行器动力学，而非直接套用飞机模型。低信噪比、跨被试偏移及小样本可能导致意图估计偏差，且反馈未必能消除持续目标误差。可先固定同一解码器和执行器模型，对比有无有界反馈时受控意图扰动下的终端误差增长；该实验只能检验控制机制，不能替代真实 EEG 验证。相关 EEG 工作尚未检索确认。