DynSyn：用于过驱动具身系统高效学习与控制的动态协同表征

基于摘要分析。本文研究高维、过驱动具身系统中的强化学习控制问题，提出 Dynamical Synergistic Representation（DynSyn），从系统动力学结构中生成执行器协同表征，并通过任务特定、状态依赖的适应改善运动控制。主要研究对象是肌肉骨骼模型的控制，而非 EEG 解码或 BCI 算法。 机制上，研究以神经力学中的肌肉协同为启发：通过执行器间的协调简化运动指令生成，并利用系统动力学结构构建协同表征。摘要明确将结构导出的表征与依赖任务、状态的适应相结合，但未说明动力学结构的获取方式、表征参数化、适应模块、损失函数及训练流程，因此尚不能判断其具体实现与复现成本。 作者报告，在涉及不同肌肉骨骼模型的多种任务中，DynSyn 相比基线算法取得了作者所称的最先进样本效率与鲁棒性，并生成可解释的协同表征，捕捉动力学结构的关键特征，展现跨运动任务泛化能力。摘要未提供任务名称、模型规模、基线名称、量化指标或鲁棒性测试条件；实验协议、消融及统计信息尚未验证。 该工作的可核对价值在于研究如何利用动力学结构组织冗余执行器的控制表示。摘要未提供神经信号输入、意图解码或闭环 BCI 验证，不能将肌肉骨骼控制中的结果直接解释为 BCI 有效性证据。已有 EEG 相关工作尚未检索确认。