控制器从数据而非模型中学得
论文针对一个实际瓶颈：工程中的非线性系统可以用 LPV 表示来近似，即用一个可测量的时变信号调度一个线性系统；但通过第一性原理分析或系统辨识获得这些模型计算负担重，且对控制综合缺乏理论支持。作者转而追问：能否仅凭记录到的轨迹，计算出一个稳定化的事件触发 LPV 控制器。
他们的答案是一条设计流程，包含三个相互关联的输出：一个关于需要采集多少数据的条件；一组半定规划，其可行解给出增益调度控制器；以及一条触发规则，决定控制器到执行器的通道何时真正传输。稳定性以鲁棒控制的含义给出证书，因此保证针对的是带扰动的 LPV 系统，而非理想化的无噪声情形。
数据必须足够丰富以表示系统
论文的第一个技术步骤是一个称为 L 阶 θ-持续激励的条件，它要求由记录信号构造的 Hankel 矩阵的最小奇异值不低于 θ。通俗地说，采集到的轨迹必须足够充分地激励系统，使数据矩阵能够张成控制器所需的行为。
针对 LPV 系统，作者推导出该条件的一个具体版本。当激励阶数为 (1+ℓ)n+1、数据长度 T 至少为 n(1+ℓ)(1+m(1+ℓ))−1 时，他们证明：只要激励水平超过 √Lo·cω·δ/ρ（其中 δ 为扰动上界，ρ 为依赖系统的常数），堆叠数据矩阵 Θ=Col(U, UP, X, XP) 的秩即为 (1+ℓ)(n+m)。这就是论文对“数据记录需要多长、多丰富，直接数据驱动 LPV 综合才有意义”的回答；它是一个前提条件，而不是性能声明。
稳定性证书化为可求解的半定规划
在数据表示就位后，作者借助 Petersen 引理和全块 S-过程，推导出事件触发 LPV 系统的稳定性证书。这些工具把依赖调度信号的矩阵不等式转化为在多面体调度集顶点处检验的有限个约束，这与基于模型的 LPV 方法所用策略相同。
实际后果是，控制器增益和触发参数来自凸半定规划，而不是来自无穷多个不等式。论文明确指出，这种凸化也是保守性的来源之一，另一个来源是有限扰动和有限数据长度带来的数据不确定性。因此读者应把可行性视为论文假设下的证书，而不是最优性声明。
触发规则不会在每个时刻都触发
事件触发方案在由阈值选定的时刻 k̂i 传输：当 νkᵀΨ1νk ≥ xkᵀΨ2xk + v 时触发下一个事件，其中 νk 汇总了采样引起的误差和依赖调度的失配，Ψ1 与 Ψ2 是待设计的正定矩阵，v 是正常数。由于 νk 不仅依赖状态误差，还依赖调度信号，该规则并非对线性时不变系统事件触发设计的直接照搬。
作者证明该规则在结构上排除了每个时刻都触发的情况。若每一步都触发事件，采样误差为零，νk 也随之消失，使不等式左侧为零，而由于 v > 0，右侧严格为正——产生矛盾。这是设计的结构性性质，而不是来自仿真的经验观察。
跟踪需要额外的积分补偿器
仅稳定化并不覆盖参考跟踪，因此论文引入一个辅助积分补偿器来构造增广 LPV 系统，并推导出相应的、基于数据的鲁棒输出跟踪稳定性证书。跟踪保证同样表述为增广闭环的鲁棒稳定性，由补偿器承担驱动输出误差所需的积分作用。
这一扩展之所以重要，是因为作者指出现有的数据驱动 LPV 控制工作无法直接处理鲁棒输出跟踪。跟踪结果继承了与稳定化结果相同的数据与激励前提，因此必须针对增广系统重新检验数据长度条件，而不能从稳定化情形直接沿用。
轮式车辆示例减少逾 98.98% 的更新
数值验证包含一个轮式车辆横向跟踪示例，其调度信号为 pk = (2vk − (vmax+vmin))/(vmax−vmin)，约束在 [−1, 1] 内，仿真时域为 45 s，扰动为有界随机信号且 ‖ω̂k‖ ≤ 0.1。所需数据长度设为 T̂ = 17，得到增广系统所要求的秩 Θ̂ = 8。
与周期采样基线（Ntr = N = 2250 个触发时刻、平均事件间隔 Δk = 1）相比，数据驱动事件触发控制器在所有测试参数设置下触发次数均少于 25 次。报告的通信增强比 η = 1 − Ntr/N 至少为 98.98%，五个案例的平均事件间隔约为 79.8 至 144.7 个采样时刻。这些是在所述扰动界和参数设置下的仿真结果，而非硬件测量。
保证是实用指数 ISS，而非精确稳定
全文使用的稳定性概念是实用指数输入到状态稳定性，它允许一个非零的最终界 ν，而不要求状态精确收敛到零。在事件触发情形下，该界包含与触发偏移 v 相关的项 c0·v，因此触发参数直接决定最终界能收紧到什么程度。
有两条范围条件限定这些结果。设计假设全状态 xk 可测；作者指出若不可测，可使用基于观测器的估计，但估计误差会同时进入闭环动态和触发条件，需要纳入稳定性分析。该框架还假设扰动有界，且未显式建模数据采集期间的测量噪声，不过作者提出了可能的扩展方向。报告的数字来自数值示例，因此 98.98% 应理解为这些设置下的仿真结果。
数据丰富度是应首先检验的约束
论文自身的顺序已表明优先级：在求解任何半定规划之前，实践者必须先确认采集到的轨迹在所需阶数和长度上满足 θ-持续激励条件，因为数据表示的秩保证依赖于此。只有该前提成立，控制器增益和触发矩阵才是凸规划的有意义输出。
最能改变读者评估这项工作方式的比较，是两种通信机制之间的对比：周期采样在 2250 个时刻中的每一个都更新，而学习到的事件触发方案在全部五个测试案例中更新少于 25 次。因此设计问题不是事件触发是否节省通信——示例表明它确实节省——而是数据记录是否足够丰富、扰动界是否足够紧，使证书首先能够成立。
本文引用的文献
Learning event-triggered controllers for linear parameter-varying systems from data
推导出 θ-持续激励的数据条件与基于数据的稳定性证书，通过半定规划得到事件触发增益调度 LPV 控制器；一个轮式车辆示例报告控制更新次数比周期采样至少减少 98.98%。