s1: 种子C2-R1：模型泛化误差对MPC性能影响的量化分析

不同模型结构（线性、多项式、神经网络）的泛化误差-复杂度曲线存在显著差异，导致MPC补偿性能在特定频段出现‘拐点’：当模型复杂度超过某阈值时，泛化误差的急剧增加将抵消模型精度提升带来的补偿收益。

新颖度: 0.85

s2: 种子C2-R2：延迟超过可控性边界时的非MPC补偿策略探索

当系统延迟超过可控性边界（如由右半平面零点或非最小相位特性决定）时，传统MPC的延迟补偿策略失效，但基于事件触发的预测控制（ETPC）通过‘等待-预测-执行’机制，可以在不增加计算延迟的前提下，部分恢复系统的稳定裕度。

新颖度: 0.9

s3: 种子C2-R3：MPC连续补偿策略的‘可行域’动态演化模型

MPC连续补偿策略的‘可行域’（由计算延迟、模型精度、泛化误差、鲁棒性等维度定义）并非静态，而是随着系统工况（如扰动频率、非线性程度）和硬件资源（如算力、内存）动态变化。存在一个‘可行域边界’的实时估计方法，可用于在线调整MPC参数。

新颖度: 0.8

s4: 种子C2-R4：自适应MPC中估计-控制耦合的风险量化

在自适应MPC框架下，控制输入影响系统状态，进而影响模型参数的在线估计精度，形成估计-控制耦合。这种耦合在延迟补偿场景下可能导致正反馈：不准确的控制输入导致状态偏离，进而导致参数估计偏差，进一步恶化控制性能。存在一个‘耦合强度’的临界值，超过该值则系统发散。

新颖度: 0.75

种子 s1 深度分析

种子C2-R1：模型泛化误差对MPC性能影响的量化分析

1. Evidence Layer（证据层）

核心假设：模型泛化误差与MPC闭环性能之间存在一个明确的“拐点”，超过该点后性能急剧下降。

* 证据强度：LOW。该假设基于控制理论中的“内模原理”和“鲁棒控制”概念，即模型失配会降低控制器性能，但“拐点”的存在和精确位置尚未被系统性地量化验证。 * 来源：[1. INFERRED. 基于控制理论基本原理]

关键数据缺口：

* 泛化误差-复杂度曲线：对于不同模型结构（线性、多项式、神经网络），在标准测试系统上的泛化误差-复杂度曲线数据是缺失的。现有研究多聚焦于单一模型结构（如神经网络）的泛化性能，缺乏跨结构对比 [2. DATA_GAP]。 * 补偿性能-复杂度曲线：MPC闭环性能（如跟踪误差、稳定裕度）与模型复杂度之间的量化关系数据同样缺失。现有文献多报告特定模型下的性能，而非系统性扫描 [3. DATA_GAP]。 * 拐点相关性分析：拐点位置与扰动频谱、系统非线性度之间的相关性分析是全新的研究领域，无现成数据 [4. DATA_GAP]。

2. Mechanism Layer（机制层）

因果机制：模型复杂度增加 → 训练误差降低 → 泛化误差先降后升（过拟合） → MPC基于错误模型进行预测 → 控制输入偏离最优 → 闭环性能下降。

薄弱环节：

1. 泛化误差到性能下降的映射：并非所有泛化误差都会导致性能下降。MPC的滚动优化和反馈校正机制可以容忍一定程度的模型失配。关键在于误差的结构（如低频偏差 vs 高频噪声）而非大小。 2. 拐点的定义：性能下降是渐进还是突变的？拐点可能不是一个点，而是一个区域。

理论基础：从第一性原理出发，MPC的本质是“基于模型预测未来，然后优化控制”。模型是预测的基石。如果模型在预测未来状态时存在系统性偏差（泛化误差），那么优化得到的控制序列必然偏离真实最优。这类似于“用错误的地图导航”。

3. Tension Layer（张力层）

内部矛盾：更复杂的模型（如深度神经网络）理论上能捕捉更复杂的系统动态，从而降低建模误差。但同时，其泛化误差可能更高，且计算延迟更大。这构成了“模型精度 vs 泛化能力 vs 计算成本”的三元张力。

不可调和矛盾：对于某些高度非线性、时变的系统，可能不存在一个固定复杂度的模型能同时满足“低泛化误差”和“低计算延迟”的要求。此时，必须牺牲某一方面的性能。

4. Actionability Layer（可执行层）

行动建议：

1. 构建仿真平台：使用MATLAB/Simulink或Python (CasADi + acados) 搭建统一仿真平台。 2. 设计测试系统：选择二阶振荡系统（线性）、带延迟的非线性系统（如连续搅拌釜反应器CSTR）、以及一个非最小相位系统。 3. 扰动频谱设计：定义低（0.1-1 Hz）、中（1-10 Hz）、高（10-100 Hz）三种扰动频谱。 4. 系统性扫描：对每种模型结构，从低复杂度到高复杂度（如线性模型阶数从1到10，神经网络层数从1到5，每层神经元从10到100），记录泛化误差和MPC性能。

前提条件：需要足够的计算资源进行大规模仿真扫描。

失败模式：如果拐点不明显或不存在（即性能随复杂度单调变化），则原假设不成立，需要重新定义分析框架。

置信度：MEDIUM。该分析逻辑清晰，但核心假设的验证结果未知。

种子 s2 深度分析

种子C2-R2：延迟超过可控性边界时的非MPC补偿策略探索

1. Evidence Layer（证据层）

核心假设：当延迟超过可控性边界时，传统MPC失效，但事件触发预测控制（ETPC）或鲁棒控制（如H∞）可以恢复部分稳定裕度。

* 证据强度：MEDIUM。ETPC在减少计算负载方面有理论优势 [5. VERIFIED. 学术论文]，H∞控制对模型不确定性有固有鲁棒性 [6. VERIFIED. 控制理论教材]。但两者在“延迟超过可控性边界”这一极端条件下的对比数据非常有限。 * 来源：[5. Heemels et al., 2012, “An introduction to event-triggered and self-triggered control”] [6. Zhou & Doyle, 1998, “Essentials of Robust Control”]

关键数据缺口：

* 极端延迟下的对比数据：在非最小相位系统且延迟超过可控性边界时，ETPC、传统MPC和H∞控制的闭环性能（稳定裕度、超调量、调节时间）的系统性对比数据缺失 [7. DATA_GAP]。 * 事件触发阈值与稳定性权衡：事件触发阈值与闭环稳定性、计算负载之间的量化权衡曲线数据缺失 [8. DATA_GAP]。

2. Mechanism Layer（机制层）

因果机制：延迟超过可控性边界 → 传统MPC的预测信息过时 → 控制输入与系统实际状态不匹配 → 系统失稳。ETPC通过“事件”触发控制更新，仅在必要时更新，可能减少对过时信息的依赖。H∞控制通过设计一个对所有可能模型不确定性（包括延迟）都稳定的控制器来保证鲁棒性。

薄弱环节：

1. ETPC的预测机制：ETPC仍然需要一个预测模型。如果延迟过大，模型预测的准确性本身就会下降，ETPC的优势可能被削弱。 2. H∞控制的保守性：H∞控制器通常设计得较为保守，以保证对所有不确定性都稳定，这可能导致正常工况下的性能较差（如响应慢）。

理论基础：从第一性原理出发，控制的核心是“信息反馈”。延迟破坏了信息的时效性。ETPC试图通过“选择性更新”来缓解，H∞则试图通过“保守设计”来容忍。两者都是在信息不完美的情况下寻找次优解。

3. Tension Layer（张力层）

内部矛盾：ETPC旨在降低计算负载，但在极端延迟下，可能需要更频繁的事件触发来维持稳定，从而增加计算负载。这构成了“稳定性 vs 计算效率”的张力。

不可调和矛盾：如果延迟过大，以至于任何基于当前状态反馈的控制策略都无法稳定系统（即系统本质上是开环不稳定的），那么任何反馈控制方法（包括ETPC和H∞）都将失效。此时，唯一的选择是改变系统结构（如增加传感器、减少延迟）或采用前馈控制。

4. Actionability Layer（可执行层）

行动建议：

1. 选择测试系统：选择一个带右半平面零点的非最小相位系统，并人为增加延迟，使其超过已知的可控性边界。 2. 设计控制器：分别设计传统MPC、ETPC（基于状态误差阈值）和一个H∞控制器。 3. 仿真对比：在相同条件下进行仿真，记录稳定裕度、超调量、调节时间和计算负载。 4. 参数扫描：系统性地改变ETPC的事件触发阈值，绘制“阈值-稳定裕度-计算负载”曲线。

前提条件：需要熟悉H∞控制器的设计方法（如使用MATLAB Robust Control Toolbox）。

失败模式：如果ETPC和H∞都无法恢复任何稳定裕度，则证明该延迟下任何反馈控制都无效，需要探索前馈或系统重构方案。

置信度：MEDIUM。该分析探索了MPC的极限，具有创新性，但结果高度依赖于所选系统和延迟大小。

种子 s3 深度分析

种子C2-R3：MPC连续补偿策略的‘可行域’动态演化模型

1. Evidence Layer（证据层）

核心假设：MPC的“可行域”（由计算延迟、模型精度、泛化误差、鲁棒性定义）是一个动态演化的四维空间，其帕累托前沿随工况变化。

* 证据强度：LOW。该假设是概念性的，将多目标优化引入MPC设计是合理的 [9. ESTIMATE. 多目标优化文献]，但“可行域”的动态演化模型尚未被提出或验证。 * 来源：[9. Deb et al., 2002, “A fast and elitist multiobjective genetic algorithm: NSGA-II”]

关键数据缺口：

* 四维性能数据集：不同工况下，不同MPC参数组合的四维性能指标数据集完全缺失 [10. DATA_GAP]。 * 帕累托前沿映射模型：从工况特征到帕累托前沿的映射模型是全新的，无现成数据 [11. DATA_GAP]。

2. Mechanism Layer（机制层）

因果机制：工况变化（如负载增加） → 系统动态特性改变 → 原有MPC参数（预测时域、模型复杂度）不再最优 → 可行域形状和位置变化 → 需要重新调整参数以保持在可行域内。

薄弱环节：

1. 四维空间的复杂性：四个维度之间存在复杂的耦合关系（如模型精度提高会降低泛化误差，但增加计算延迟），使得帕累托前沿的估计非常困难。 2. 工况特征的量化：如何用一组可测量的特征（如负载大小、扰动频率、噪声方差）来唯一表征“工况”，本身就是一个难题。

理论基础：从第一性原理出发，MPC的性能受限于其设计参数和系统环境。可行域模型试图量化这种限制，为自适应MPC提供理论指导。

3. Tension Layer（张力层）

内部矛盾：可行域模型旨在提供“全局最优”指导，但工况是时变的，模型本身也需要在线更新，这又引入了新的计算延迟。

不可调和矛盾：可行域模型的有效性依赖于对工况的准确表征。如果工况变化过于剧烈或不可预测，则任何基于历史数据的映射模型都将失效。

4. Actionability Layer（可执行层）

行动建议：

1. 选择时变系统：选择一个负载变化的机械臂作为测试平台。 2. 定义工况：将负载大小和扰动频率作为工况特征。 3. 数据生成：在不同工况下，对MPC参数（预测时域、模型复杂度、采样率）进行网格扫描，记录四维性能指标。 4. 帕累托前沿估计：使用NSGA-II算法估计每个工况下的帕累托前沿。 5. 映射模型：尝试使用高斯过程回归或神经网络，建立从工况特征到帕累托前沿的映射。

前提条件：需要机械臂仿真模型或实验平台，以及多目标优化工具箱。

失败模式：如果帕累托前沿随工况变化无规律可循，或映射模型精度过低，则无法建立有效的动态演化模型。

置信度：LOW。该分析概念性强，但执行难度大，且结果不确定性高。

种子 s4 深度分析

种子C2-R4：自适应MPC中估计-控制耦合的风险量化

1. Evidence Layer（证据层）

核心假设：在自适应MPC中，参数估计误差与控制输入之间存在耦合，当耦合强度超过某个临界值时，闭环系统会发散。

* 证据强度：MEDIUM。自适应控制理论中已知“估计-控制耦合”可能导致不稳定 [12. VERIFIED. 自适应控制教材]，但“耦合强度”的量化指标和临界值的系统性研究较少。 * 来源：[12. Åström & Wittenmark, 1995, “Adaptive Control”]

关键数据缺口：

* 临界耦合强度数据：不同系统特性（参数变化速度、非线性度）下，系统发散时的临界耦合强度数据缺失 [13. DATA_GAP]。 * 耦合强度指标验证：所定义的“耦合强度”指标（如估计误差与控制输入的相关系数）是否能够有效预测系统发散，尚未被验证 [14. DATA_GAP]。

2. Mechanism Layer（机制层）

因果机制：参数估计器根据系统输入输出数据更新模型参数 → 控制器根据更新后的模型计算控制输入 → 控制输入影响系统输出 → 系统输出又成为估计器的输入。这个闭环中，如果估计器对控制输入过于敏感（即耦合强度高），则控制输入的微小变化可能导致估计参数的大幅波动，进而导致控制输入进一步变化，形成正反馈，最终导致系统发散。

薄弱环节：

1. 耦合强度指标的普适性：相关系数可能无法捕捉所有类型的耦合（如非线性耦合）。 2. 遗忘因子的影响：递推最小二乘法的遗忘因子是控制耦合强度的关键参数，但其最优值依赖于系统特性，难以在线调整。

理论基础：从第一性原理出发，自适应MPC试图同时解决“系统辨识”和“控制”两个问题。这两个问题本质上是耦合的，因为控制输入是为了实现控制目标而设计的，但它同时也在激励系统，为辨识提供信息。这种“双重角色”是耦合的根源。

3. Tension Layer（张力层）

内部矛盾：为了快速跟踪参数变化，需要小的遗忘因子（快速遗忘旧数据），但这会增加估计器对噪声和扰动的敏感性，从而增加耦合强度。反之，大的遗忘因子会降低耦合强度，但会减慢参数跟踪速度。这构成了“跟踪速度 vs 鲁棒性”的张力。

不可调和矛盾：对于参数变化速度极快的系统，可能不存在一个遗忘因子能同时满足“足够快的跟踪”和“足够低的耦合强度”。此时，自适应MPC注定会不稳定。

4. Actionability Layer（可执行层）

行动建议：

1. 选择时变系统：选择一个增益随时间正弦变化的系统。 2. 设计自适应MPC：使用递推最小二乘法在线估计增益，MPC控制器基于估计值计算控制输入。 3. 参数扫描：系统性地改变遗忘因子和预测时域，记录系统是否发散。 4. 计算耦合强度：计算估计误差与控制输入之间的相关系数，并记录系统发散时的临界值。 5. 分析影响：改变参数变化速度和非线性度，重复实验，分析其对临界耦合强度的影响。

前提条件：需要熟悉自适应控制和递推最小二乘法。

失败模式：如果相关系数无法有效预测系统发散（即发散时相关系数并不高），则需要寻找更有效的耦合强度指标。

置信度：MEDIUM。该分析基于成熟的自适应控制理论，但量化指标和临界值的发现具有探索性。

种子 s1 — ⚠️ 部分确认 证据等级 C

核心问题：

• 朱雀对'分布偏移下偏差-方差曲线形态'的质疑合理，但自身也未提供替代理论框架，形成双向质疑而无正向建构
• '拐点'概念的可操作性确实存疑，但朱雀未给出工程可操作的替代指标（如'过渡区域宽度'）
• VC维计算困难是事实，但工程实践中常用代理指标（如有效参数数、Fisher信息），朱雀未评估这些代理指标的有效性
• 朱雀质疑种子低估闭环鲁棒性，但未提供闭环鲁棒性的量化上界，自身也陷入'定性批评'

缺失数据：

• 动态系统概念漂移下的泛化误差边界理论（需查阅Gama et al. 2014 'A Survey on Concept Drift Adaptation'等文献）
• MPC闭环鲁棒性的定量刻画：需要具体系统的Lipschitz常数、收缩系数等
• 不同复杂度度量（参数数vs层数vs神经元数）对MPC性能敏感性的对比实验数据
• 实际工业MPC部署中模型更新频率与性能衰减的统计关系

🟡 现实度评分：0.55

引用审计：

• [朱雀分析中隐含引用统计学习理论] — ⚠️
• [MPC闭环鲁棒性相关论述] — ⚠️

种子 s2 — ⚠️ 部分确认 证据等级 C

核心问题：

• 朱雀正确识别'事件触发-计算过载'正反馈风险，但未提供该风险发生的概率模型或临界条件
• 朱雀质疑'延迟作为可调参数'的乐观性，但现代网络化控制系统中延迟确实可通过通信协议设计部分调节（如TSN），朱雀未区分'物理延迟'与'设计延迟'
• 朱雀对'信息物理系统可控性'的呼吁合理，但该理论本身在延迟超过可控性边界时的结论恰恰是'不可控'，如何指导ETPC设计不明确
• 朱雀未验证：实际ETPC文献中是否考虑了测量延迟对触发条件的影响（实际部分文献有考虑，如Liu et al. 2020）

缺失数据：

• ETPC在测量-执行双通道延迟下的稳定性条件（需查阅Heemels et al. 2012等综述）
• 事件触发阈值与计算负载的实测权衡曲线（来自嵌入式实现）
• 延迟超过可控性边界时，不同控制策略（ETPC、H∞、传统MPC）的对比实验数据
• 工业现场网络延迟的统计分布（非理想化的固定延迟假设）

🟡 现实度评分：0.60

引用审计：

• [事件触发控制理论] — ✅
• [信息物理系统可控性理论] — ⚠️
• [ETPC在延迟边界下的性能恢复] — ❌

种子 s3 — ⚠️ 部分确认 证据等级 D

核心问题：

• 朱雀对四维实时量化的质疑完全成立，但自身提出的'值函数近似'替代方案同样面临'近似误差-稳定性'的未解决问题
• 朱雀正确指出MPC滚动优化可容忍一定误差，但未量化'可容忍'的程度，无法指导工程设计
• '调整滞后导致失稳'的风险被朱雀提出，但未给出工况变化速度与调整频率的定量关系
• 朱雀未考虑：实际工业MPC中，四维前沿可能通过离线预计算+在线查表的方式实现，而非完全在线求解

缺失数据：

• MPC中值函数近似（如MPC with learned terminal costs）的稳定性保证条件
• 工业MPC控制器中多目标权衡的实际实现方式（预计算vs在线优化）
• 工况变化速度（如阵风频率、负载变化率）与MPC调整频率的匹配关系数据
• 四维帕累托前沿降维后的性能损失上界

🟡 现实度评分：0.50

引用审计：

• [泛化误差实时量化] — ❌
• [鲁棒性实时量化] — ❌
• [NSGA-II等多目标优化] — ✅
• [动态规划值函数近似] — ⚠️

种子 s4 — ⚠️ 部分确认 证据等级 C

核心问题：

• 朱雀正确识别种子对'部分已知'与'完全未知'差距的低估，但自身也未给出该差距的量化刻画
• 对偶控制理论被朱雀作为更底层原理提出，但该理论在MPC中的实际应用极其有限（计算不可行），存在'理论正确但工程无用'的风险
• 朱雀质疑耦合强度指标的定义，但未提供可行的替代定义
• 朱雀正确指出持续激励条件，但未说明如何在保证持续激励的同时最小化性能损失（探测-控制权衡）

缺失数据：

• 自适应MPC中探测信号设计的实际案例与性能损失数据
• 耦合强度指标（如互信息率）在典型工业系统中的计算实例
• 参数估计收敛时间与系统失稳时间尺度的实际测量数据
• 对偶控制近似方法（如CE+学习、主动学习MPC）的性能对比

🟡 现实度评分：0.58

引用审计：

• [自适应控制分离原理] — ✅
• [对偶控制理论] — ⚠️
• [互信息、格兰杰因果、传递熵] — ⚠️
• [持续激励条件] — ✅

攻击 s1 — 🔴 高风险 (严重度 0.85)

种子C2-R1的假设建立在统计学习理论的‘偏差-方差权衡’上，但该理论的核心假设是训练与测试数据独立同分布（i.i.d.）。在动态系统中，工况变化（如负载突变、环境扰动）几乎必然导致分布偏移。请问：当分布偏移发生时，偏差-方差权衡曲线是否仍然有效？模型复杂度-泛化误差的U形曲线是否会退化为单调递增或完全不可预测的形态？如果会，那么‘拐点’概念在工程实践中是否具有可操作性？此外，种子假设‘模型复杂度可被连续量化’，但神经网络等复杂模型的VC维难以精确计算，且不同复杂度度量（如参数数量、层数、神经元数）之间并不等价。这种量化困难是否会导致‘最优复杂度’的推荐结果对度量方式敏感，从而失去普适性？最后，种子声称‘泛化误差的急剧增加将抵消模型精度提升带来的补偿收益’，但未考虑MPC的滚动优化特性：即使模型在开环预测上存在误差，闭环反馈可能部分补偿该误差。这种‘闭环鲁棒性’是否被低估了？

⚠️ 未解决

攻击 s2 — 🔴 高风险 (严重度 0.9)

种子C2-R2提出事件触发预测控制（ETPC）作为延迟超过可控性边界时的替代方案，但存在一个根本性矛盾：事件触发机制依赖于状态误差阈值，而状态误差的测量本身可能受到延迟的影响。如果传感器延迟导致状态测量滞后，那么事件触发条件可能基于过时的状态信息，导致‘误触发’（该触发时未触发，不该触发时触发）。请问：在延迟超过可控性边界的情况下，如何保证事件触发条件的实时性和准确性？此外，种子假设‘计算资源在事件触发时是充足的’，但在极端工况下（如多个事件同时触发），计算过载可能导致预测时域缩短或求解精度下降，反而加剧延迟问题。这种‘事件触发-计算过载’的正反馈循环是否被忽略？最后，种子声称ETPC可以‘部分恢复系统的稳定裕度’，但未给出‘部分’的量化定义。在延迟超过可控性边界时，稳定裕度的恢复是否存在理论上限？例如，是否可能恢复至原系统稳定裕度的50%？还是仅能恢复至临界稳定？

⚠️ 未解决

攻击 s3 — 🔴 高风险 (严重度 0.8)

种子C2-R3提出MPC连续补偿策略的‘可行域’动态演化模型，但假设‘所有四个维度（延迟、精度、泛化误差、鲁棒性）均可被实时或近实时量化’。请问：泛化误差的实时量化如何实现？在动态系统中，没有独立的测试集，泛化误差只能通过历史数据的交叉验证或在线误差统计来近似估计，但这些方法要么滞后（交叉验证），要么有偏（在线误差统计受控制输入影响）。此外，鲁棒性的实时量化同样困难：鲁棒性通常通过小增益定理或李雅普诺夫函数来评估，这些方法需要系统模型且计算复杂，难以在线执行。种子是否低估了实时量化的难度？其次，种子假设‘系统工况的变化是缓慢的’，但在快速变化的工况下（如飞行器遭遇阵风），在线调整可能滞后于工况变化，导致可行域估计失效。这种‘调整滞后’是否会导致系统在可行域边界外运行，从而失稳？最后，种子提出的‘自感知MPC控制器’需要在线求解一个四维帕累托前沿，这本身就是一个计算密集型问题，可能引入额外的计算延迟，与‘减少延迟’的目标相悖。这种‘自感知-计算延迟’的循环是否被考虑？

⚠️ 未解决

攻击 s4 — 🟡 中风险 (严重度 0.75)

种子C2-R4提出自适应MPC中估计-控制耦合的风险量化，但假设‘控制输入对系统状态的影响是已知的（即系统动力学部分已知）’。请问：在自适应MPC中，模型参数是时变的且需要在线估计，这意味着系统动力学本身是不完全已知的。如果控制输入对系统状态的影响已知，那么模型参数估计就退化为一个线性回归问题，耦合效应较弱。但在实际中，控制输入的影响可能也是未知的（如执行器非线性、未知的耦合项），此时估计-控制耦合将更加复杂。种子是否低估了‘部分已知’与‘完全未知’之间的差距？其次，种子提出‘存在一个可量化的耦合强度指标’，但未给出该指标的具体定义。耦合强度是否可以通过互信息、格兰杰因果或传递熵来量化？这些方法在动态系统中的计算复杂度和统计可靠性如何？最后，种子声称‘超过临界值则系统发散’，但未考虑自适应MPC中的‘持续激励’条件：如果控制输入不能持续激励系统，参数估计可能不收敛，导致耦合效应持续存在。这种‘持续激励-耦合强度’的相互作用是否被忽略？

⚠️ 未解决

🔍 认知盲区

• [blind_spot]

种子C2-R1未考虑MPC闭环反馈对模型误差的补偿作用，导致对泛化误差影响的估计可能偏保守。

• [gap]

种子C2-R2未解决事件触发机制在延迟环境下的状态测量时效性问题，可能导致‘误触发’风险。

• [assumption]

种子C2-R3假设所有四个维度可实时量化，但泛化误差和鲁棒性的实时量化在工程上几乎不可行，存在‘可行性假设’错误。

• [gap]

种子C2-R4未考虑‘持续激励’条件对估计-控制耦合的影响，可能导致耦合强度估计偏乐观。

• [blind_spot]

所有种子均未考虑MPC求解器数值误差（如有限精度、迭代终止条件）对补偿性能的影响，这是一个被忽略的误差源。

• [blind_spot]

种子C2-R2和C2-R4均涉及‘学习-控制’耦合，但未给出学习过程收敛速度与系统失稳时间尺度的定量关系，存在‘时间尺度’盲点。