基于最优控制原理从感知输入中学习系统动力学

基于摘要分析。本文研究如何从感知输入识别受控物理系统的动力学，核心贡献是借鉴 Koopman 形式体系，将状态与控制共同嵌入动力学呈线性的特征空间，并以可微且鲁棒的最优控制问题将目标控制任务纳入学习目标。 作者指出，将特征空间构建与目标控制任务分开处理，可能造成特征空间与原状态空间不匹配：系统在特征空间中未必可控，且其中求得的控制未必能用于原物理系统。所提方法试图通过控制任务约束表征学习，使动力学识别与后续控制需求相协调。具体嵌入结构、目标函数形式、鲁棒性处理及优化流程尚未验证。 作者报告，在具有非线性动力学的系统仿真实验中，特征空间中得到的控制可用于驱动对应物理系统，学习到的模型也可预测未来状态。摘要未提供系统名称、感知输入形式、数据规模、划分、基线或量化指标，实验协议、消融及统计信息尚未验证，不能据此判断相对性能或真实系统适用性。 平台推测（待验证）：这一机制可能适用于具有已知控制输入和连续状态反馈的 BCI 辅助设备闭环建模，而非直接等同于 EEG 解码方法。迁移假设依赖感知状态、实际执行控制及后续状态之间的时序配对；可复用任务约束表征学习的思路，但需改造观测编码与控制接口。EEG 低信噪比、跨被试差异、通道变化及小样本可能妨碍稳定动力学辨识。可先在固定设备与受控仿真中，对比联合控制目标与仅做状态预测的表征学习，在相同数据划分下检验闭环跟踪误差与预测误差。已有 EEG 相关工作尚未检索确认。