通用增量协方差更新与基于因子图传播动作树的高效信念空间规划

基于摘要分析。本文面向 SLAM 与信念空间规划（BSP）中的协方差计算开销，提出通用增量协方差更新方法，并以此构建 rAMDL-Tree，通过复用候选动作的共同部分来减少高维状态空间中的规划计算。主要研究对象是概率推断与动作规划，而非 EEG 解码或 BCI。 第一项贡献是在推断问题发生变化后，高效恢复所需的特定协方差条目；摘要列出的变化包括新增观测、新增变量和状态向量重新线性化。作者报告，该方法恢复相关条目的速度快于所比较的现有先进方法，但摘要未提供具体基线、实验规模或加速数值。 第二项贡献是扩展作者此前的 rAMDL，形成 rAMDL-Tree。传统 BSP 方法分别对各候选动作进行信念传播并计算目标函数，候选轨迹即使具有共同部分也可能被重复求值。rAMDL-Tree 结合增量协方差计算，使多步前瞻候选动作中的共同部分仅计算一次。摘要指出，信息论目标中的完整信息矩阵或协方差矩阵行列式计算具有 O(n³) 复杂度，其中 n 为状态维数；只关注部分变量的边缘后验协方差时，也可能涉及代价较高的 Schur 补运算。该复杂度描述的是待缓解的计算瓶颈，并非新方法的复杂度保证。 平台推测（待验证）：若某项闭环 BCI 主动感知任务已经采用因子图信念表示，并需比较具有共享前缀的多步候选动作，可检验复用其协方差更新与分支共享计算机制的假设；这不等于对一般 EEG 分类有效。需改造状态、观测与动作模型，低信噪比、跨被试变化及频繁重新线性化可能影响计算收益与估计可靠性。一个小规模检验是，在同一既定模型和候选动作集上，对比逐候选独立计算与共享计算的耗时、协方差数值一致性及动作选择一致性。已有 EEG 相关工作尚未检索确认；具体实验协议、消融及统计信息尚未验证。