远程状态估计中基于 DRL 的资源分配

基于摘要分析。本文研究工业远程状态估计中的无线资源分配：传感器通过共享无线资源，将分布式动态系统的测量值发送给远端估计器。核心贡献是在较实际的无线通信模型下分析系统可稳定的条件，并利用深度强化学习（DRL）优化长期平均估计均方误差；研究对象不是 EEG 解码或 BCI 基础模型。 机制与方法：论文分别考虑正交多址与非正交多址方案，推导由发射功率预算、信道统计和动态系统参数描述的稳定性充要条件。资源分配被建模为决策问题，同时利用估计质量状态与信道质量状态。针对大规模离散、离散与连续混合以及连续动作空间，作者提出动作空间压缩方法并开发深度强化学习算法。摘要未说明具体算法名称、压缩映射、奖励设计或训练过程，这些内容尚未验证。 结果与证据：作者报告，数值实验中所提算法能够有效解决资源分配问题，且相较已有文献方法具有更好的可扩展性。摘要未提供系统规模、信道配置、对照算法、误差数值及计算成本，因而无法量化优势或判断其适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若无线 BCI 涉及多个采集节点竞争传输资源，该方法可能对应带宽、功耗及丢包导致的状态估计瓶颈。此假设依赖可定义的信号动态模型、信道状态和估计误差反馈；资源分配与动作空间压缩框架可能复用，但需改造 EEG 状态表示、任务相关目标及实时约束。低信噪比、跨被试差异、多通道相关性与小数据可能使估计误差目标偏离实际解码需求。可在固定 EEG 数据和模拟无线丢包条件下，以相同带宽及功率预算比较自适应分配与固定分配，同时测量信号重建误差和下游解码表现，检验误差改善是否转化为任务收益。已有相关 EEG 工作尚未检索确认。