P3：用于受约束扩散控制的持久粒子规划

基于摘要分析。研究针对扩散轨迹先验在测试时适应约束的问题，提出 Persistent Particle Planning（P3）：在连续控制决策之间保留带权候选计划群体，而非每次重新生成，以兼顾约束可行性与规划连续性。主要研究对象是扩散控制与迷宫导航，并非 EEG 解码或 BCI 算法。 机制上，P3 使用序贯蒙特卡洛框架，在每个控制步骤平移候选轨迹、进行部分重加噪，再依据最新观测细化计划，通过约束感知的赋权与重采样选择后续轨迹，无需重新训练扩散模型。作者将去噪与重规划统一为 Feynman–Kac 粒子系统，并在理想化修复条件下开展理论分析：作者报告，重加噪深度影响保留计划维持原路线的可靠性；维持稀有且彼此分离的路线，比从头采样重新发现该路线所需的候选计划更少。该结论的具体假设与适用边界尚需全文核对。 在多种测试时约束配置下，作者报告复用候选群体减少路线切换，并提高不违反约束的成功率；细化既有计划也减少每次重规划所需的去噪迭代。在迷宫导航任务中，作者报告其规划速度优于重新生成候选群体，以及通过约束优化修正单条采样计划的方法。摘要未提供具体指标数值、任务规模或对照设置，实验协议、消融及统计信息尚未验证。作者称代码与预训练模型已提供，其可用性及复现条件尚未核验。 平台推测（待验证）：若 BCI 闭环辅助控制已有扩散轨迹先验，保留多条计划可能缓解逐步重规划导致的动作意图切换；这是控制端迁移假设，不是 EEG 解码效果。可复用粒子保留与重采样机制，但需改造观测接口、用户意图约束及安全约束。低信噪比、跨被试解码偏差或意图突变可能使旧计划被错误延续。小规模可证伪实验可固定解码器与扩散模型，在含噪意图输入的模拟导航中比较计划复用与从头采样，记录成功率、约束违反率、路线切换和重规划耗时。相关 EEG/BCI 工作尚未检索确认。