采用约束稳定性、状态与输入的安全过滤器的微分平坦学习式模型预测控制

基于摘要分析。本文研究未知动力学系统的学习式最优控制，旨在缓解线性近似的性能损失与非线性优化的实时计算负担。核心贡献是利用微分平坦性构造学习式非线性控制器，通过安全过滤器与平坦模型预测控制器的组合，以两次连续的凸优化完成受约束控制。 机制上，微分平坦性允许通过非线性输入映射对系统进行精确线性化；本文使用 Gaussian process 学习该非线性变换，并将其用于安全过滤器，修正平坦模型预测控制器给出的输入。作者称该过滤器能够以高概率保证稳定性，并满足输入与平坦状态约束；这里的平坦状态约束不能直接等同于全部原始物理状态约束，具体映射和保证条件需查阅正文。 作者报告，与所比较的先进学习式控制策略相比，该方法取得相近控制性能，同时显著提高计算效率，并满足上述约束。摘要未提供系统实例、轨迹数据规模、基线名称、性能指标或计算耗时，因此无法量化优势；实验协议、消融及统计信息尚未验证，概率保证所需的模型假设与不确定性校准条件也需核对。 平台推测（待验证）：若 BCI 用于操控具有微分平坦结构的外部设备，该安全过滤器可能用于修正解码器输出的控制指令，而非替代 EEG 解码算法。这一假设依赖受控设备的结构、可用轨迹数据及可靠的不确定性估计；可复用的是控制与过滤框架，需改造的是指令接口、设备模型和安全约束。低信噪比、跨被试漂移与少量校准数据可能造成指令偏差或模型失配，原领域保证不等于 BCI 有效性。一个可检验的小实验是在已知微分平坦设备仿真中注入噪声和延迟，对比过滤前后的约束违反率、跟踪误差与计算耗时。相关 EEG/BCI 工作尚未检索确认。