- 现有**基于学习(learning-based)**的控制器往往计算效率低下，限制了在实际系统中的实用性
- 已有利用**微分平坦性(differential flatness)**的方法存在缺陷：要么忽略输入约束，要么仅适用于单输入系统，或针对特定平台
- 研究背景：需要一种能够高效控制**多输入非线性仿射系统(multi-input nonlinear affine systems)**同时满足约束的学习控制器
- 利用**系统扩展(system extension)**技术将原系统转换为更高维的平坦输出空间
- 设计**块对角代价(block-diagonal cost)**函数，将多输入问题解耦为多个单输入子问题
- 通过**两次顺序凸优化(two sequential convex optimizations)**实现满足输入约束和半空间平坦状态约束的优化
- 引入**概率Lyapunov递减(probabilistic Lyapunov decrease)**保证闭环稳定性
- **通用性**：首次将微分平坦性应用于一般**多输入控制仿射系统(multi-input control affine systems)**，并同时处理输入和状态约束，而现有方法局限于单输入或特定平台
- **计算效率**：仅需两次顺序凸优化即可完成控制，相比**高斯过程模型预测控制(GP-MPC)**效率提升数倍
- **理论保证**：提供概率Lyapunov递减的稳定性证明，同时满足约束，这是现有平坦性学习方法中少有的
- 提出了一个高效且通用的学习控制框架，能够处理带约束的多输入非线性系统，显著降低计算负担
- 在仿真中验证了与GP-MPC相当的性能但效率更高，在真实硬件实验中展示了竞争力的跟踪能力
- 为**微分平坦性(differential flatness)**在基于学习的控制中提供了新的理论工具和实践范式