自适应模型预测控制中的主动探索

基于摘要分析。本文研究具有有界扰动和状态空间矩阵参数不确定性的线性时不变系统，提出双重自适应模型预测控制（MPC）算法，将控制输入对系统性能与参数辨识信息量的双重影响纳入优化，在执行控制任务的同时主动缩小关键参数的不确定性。 核心机制是在线集合成员辨识（set-membership identification）：依据观测更新参数不确定集合，并在 MPC 目标函数中使用预测最坏情形代价，使控制输入优先减少对性能影响较大的参数区域中的不确定性。这里的探索并非单纯增加激励，而是与控制目标共同优化。作者报告，该算法能够鲁棒地满足状态与输入约束，并通过与文献中的被动自适应 MPC 比较展示优势；摘要未给出具体任务、指标或改进幅度，约束保证的假设、计算开销、实验协议及统计信息尚未验证。 原论文研究对象是控制系统，而非 EEG 解码或 BCI 算法。平台推测（待验证）：若闭环 BCI 外部设备控制可由含不确定参数的近似线性动力学描述，这种机制可能用于协调控制性能与在线辨识；可复用的是不确定集合更新及探索—控制联合优化，需改造的是神经解码输出到系统状态、观测误差与扰动界的映射。低信噪比、跨被试差异和非平稳误差可能破坏固定参数或有界扰动假设。可先在具有已知扰动界的模拟线性系统中注入解码噪声，以相同约束和初始化对比主动与被动自适应 MPC，检验参数集合收缩、控制代价及约束违例。该实验仅检验迁移假设，不构成 BCI 有效性证据；相关 EEG 工作尚未检索确认。