研究动机：
• 安全关键自主系统必须在有限的计算和感知预算下满足严格的状态约束
• 当前基于学习的控制器通常比安全操作所需的复杂度高得多
n• 需要形式化这种复杂度差距，研究在采样数据控制下保持前向不变性所需的最小控制信号数量
核心方法：
• 提出向量量化自编码器(vector-quantized autoencoder)，联合学习状态空间划分和有限控制码本
• 开发迭代前向认证算法，结合：
- 基于Lipschitz的可达集包络(Lipschitz-based reachable-set enclosures)
- 平方和规划(sum-of-squares programming)
• 在12维非线性四旋翼模型上进行验证
核心创新点：
• 首次将信息论中的不变性熵(invariance entropy)概念与采样数据控制的最小信息需求联系起来
• 提出联合学习框架，同时优化状态划分和控制码本，而非使用均匀网格等启发式方法
• 实现了控制码本尺寸的显著压缩（相比均匀网格基线减少157倍）同时保持不变性
• 实证表征了与安全操作兼容的最小感知分辨率
总体贡献：
• 为安全关键系统的控制器复杂度提供了形式化框架
• 开发了可证明安全的最小信息控制器设计方法
• 在复杂非线性系统上验证了方法的有效性
• 为资源受限自主系统的安全控制器设计提供了新思路