SPACE：自适应计算投入的子任务规划

基于摘要分析。该研究面向机器人长时程任务中的分层策略，提出 Subtask Planning with Adaptive Computational Effort（SPACE），在轻量本地规划器与计算开销较大的前沿规划器之间自适应分配计算，以减少不必要的高层规划调用，并在需要较强推理时更新子任务。 核心机制分为两步：本地规划器先预测二元转移 token；若判定保留当前子任务，则停止解码，机器人继续执行。若需要切换，则预测下一子任务，再由置信度路由器决定接受本地预测还是调用前沿规划器。路由依据包括 token 概率，以及合理备选预测对所提子任务语义或数值细节的影响。摘要未提供模型具体配置、训练目标、路由阈值或置信度校准方法。 作者报告，相较于每个规划步骤均预测完整子任务的分层基线，SPACE 在 RoboMME 上将任务成功率从 40.6% 提升至 50.3%，高层规划时间减少 60.7%；在 RoboDojo 上将任务成功率从 28.6% 提升至 38.5%，高层规划时间减少 31.6%。作者还报告，在三项具有挑战性的真实机器人操作任务上，SPACE 的任务成功率优于该分层基线，但摘要未给出具体分数。数据划分、任务数量与重复次数、计算资源、时间统计口径、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 驱动的共享控制系统已具备持续子任务状态和可比较的候选动作表达，可借鉴其“先判断是否切换，再按不确定性调用较强规划器”的机制，以应对高层决策延迟。可复用的是门控与路由逻辑；需要改造的是神经信号到意图或子任务的映射，以及适合 EEG 的不确定性校准。低信噪比、跨被试或通道变化可能导致置信度失真，小数据下也可能误判为保留当前任务。一个可检验的小实验是在固定 EEG 意图解码器和相同共享控制任务下，对比每步完整规划、仅轻量规划与自适应路由，联合评估任务成功率、规划延迟和错误保留率；原论文结果并不构成该迁移有效性的证据，已有 EEG 相关工作尚未检索确认。