带状态约束的双人一般和微分博弈价值近似

基于摘要分析。本文研究带状态约束的双人一般和微分博弈：当约束使价值函数不连续时，如何通过神经网络近似求解 Hamilton-Jacobi-Isaacs（HJI）偏微分方程，并获得安全的均衡反馈控制策略。主要贡献是比较混合学习、价值硬化与 epigraphical 技术三条处理路径；研究对象是车辆与无人机控制仿真，而非 EEG 解码或 BCI。 数值求解 HJI 方程面临维数灾难。摘要指出，标准 physics-informed neural networks（PINNs）受采样式学习方式限制，难以学习由状态约束或时序逻辑约束引起的不连续解，进而影响所得策略的安全表现。混合学习同时利用均衡解监督与 HJI 方程约束，监督信息包含均衡价值与协态；价值硬化通过逐步增大约束违反惩罚的 Lipschitz 常数，依次求解一系列 HJI 方程；epigraphical 技术则将价值提升至更高维状态空间，使其变为连续函数。 作者报告，在 5D、9D 车辆仿真及 13D 无人机仿真中，混合方法的泛化与安全表现优于其他被比较方法，并将这一优势归因于均衡价值和协态监督，以及 PINN 损失梯度的低计算成本。摘要未给出具体指标、提升幅度或泛化划分，因此不能据此量化收益或判断不同场景间的可比性。 复现时需核对均衡监督与协态的生成方式及成本、各方法的损失与采样设置、约束及惩罚定义、泛化评估协议和安全指标；实验协议、消融及统计信息尚未验证。材料未提供与 EEG/BCI 的具体机制对应关系，不据此提出迁移效果或复现实验建议。