iX-BSP：通过增量期望计算实现信念空间规划

基于摘要分析。该研究面向机器人信念空间规划（BSP）：选择动作需要对未来所有可能观测下的累积代价或奖励求期望，计算复杂度随之增加。iX-BSP 利用相邻规划轮次之间计算的相似性，复用前一轮已完成的计算，并纳入两轮规划之间推断获得的新信息，以增量方式更新期望。 与每轮从头计算的规划方式相比，其核心贡献是跨轮次的计算复用，而非摘要中常见的简化分布或近似求解路线。摘要说明，该方法的形式化考虑一般分布及数据关联问题；具体可复用的计算单元、更新公式、适用条件和误差控制方式尚未验证。 作者报告，在统计仿真评估中，增量期望计算显著缩短运行时间且不影响性能。摘要未提供仿真任务、对照方法、运行时间数值及性能指标，因此尚不能量化加速幅度，也不能确认不同问题规模下的收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若闭环 BCI 采用信念状态描述用户意图或环境状态，并需随新观测反复规划，跨轮次复用期望计算可能有助于降低决策延迟；这不是 EEG 解码方法。可复用的候选是增量期望更新思路，需改造的是神经观测模型、状态转移模型与动作代价。其适用性取决于相邻轮次计算是否足够相似；低信噪比及跨被试、跨会话漂移可能降低复用收益。一个可检验的小实验是在固定闭环模拟任务、观测模型和规划目标下，对比从头计算与增量计算的决策耗时及任务代价。已有 EEG 相关工作尚未检索确认。