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、且状态空间矩阵存在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和参数辨识信息量的双重影响纳入优化，以实现面向控制性能的主动探索。 方法采用在线集合成员辨识（set-membership identification）缩小参数不确定性，并在 MPC 目标函数中使用预测最坏情形代价。其核心不是单独追求辨识精度，而是使控制输入优先减少对系统性能影响较大的参数空间区域中的不确定性。作者报告，该算法能够保证状态与输入约束的鲁棒满足，并通过与文献中的被动自适应 MPC 算法比较展示优势；摘要未提供具体性能数值、实验对象、计算开销及保证成立的完整假设，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于具有控制输入、状态反馈及明确安全约束的闭环 BCI 辅助控制问题，而非直接用于 EEG 解码。假设被控对象可在局部近似为线性时不变系统，且扰动边界和参数可行集能够合理构建，可复用其在线辨识与探索—控制联合优化思路；需改造的部分是从神经信号估计控制状态、处理观测延迟，以及设置安全约束。低信噪比、跨被试差异和非平稳性可能使状态估计失准或破坏模型假设，小数据下也可能难以获得足够辨识信息。一个可证伪的小实验是在带有噪声与延迟的闭环辅助设备仿真中，以相同约束和初始不确定集比较主动与被动自适应 MPC，检验参数不确定性缩减是否伴随控制代价改善，而不增加约束违反。上述不构成已验证的 BCI 效果；相关 EEG/BCI 工作尚未检索确认。