Gaussian process state space models 的数据驱动受控不变集

基于摘要分析。本文研究未知或未建模非线性动力学下的受约束控制问题，利用 Gaussian process state space models 计算概率受控不变集，并设计状态反馈控制器，以最大化系统持续留在该集合内的概率。 核心机制是以数据驱动的动力学模型表征未知非线性及其不确定性，研究鲁棒不变性与概率不变性的关系，再利用这一关系构建受输入约束的半定规划优化方案。受控不变集关注是否存在可行控制使系统维持在指定状态集合内；本文的概率表述进一步考虑模型不确定性下的留存概率。摘要未提供概率保证的时间范围、具体假设、模型训练方式或优化问题的完整形式，这些内容尚未验证。 作者报告在 quadrotor（四旋翼飞行器）的仿真和物理平台上展示并验证了方法的有效性。材料未给出定量指标、训练数据规模、对照基线或约束违背率，因此目前不能判断性能增益及其适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能与 BCI 驱动外部设备的共享控制或安全控制层相关，而非直接改进 EEG 解码。迁移假设是闭环系统具有可观测状态、可学习的状态转移和明确的输入约束；可复用部分是不确定性建模与受控不变集优化，需改造部分包括 BCI 意图输入、延迟及设备动力学。低信噪比、跨被试漂移、小样本和模型失配可能使不确定性估计失准，进而削弱安全保持能力。一个可检验的小实验是在固定外部设备仿真中注入不同程度的意图估计噪声与延迟，在相同输入约束下比较加入与不加入该控制层的约束违背率和任务完成率。已有 EEG/BCI 相关工作尚未检索确认。