PUN：以神经算子实现噪声下几何规划

基于摘要分析。本文研究控制执行存在不确定噪声时，如何在不同环境几何中获得可靠的反馈规划策略，提出 Planning Under Noise（PUN），通过神经算子学习考虑噪声的价值场，以支持未见几何环境中的规划。主要贡献包括边界条件设计、高维无网格求解，以及利用带噪 Monte Carlo 标签训练几何到价值场的映射。 方法建立在随机最优控制的 screened-Poisson 表述之上。作者指出，障碍物上的零 Dirichlet 边界会让采样路径在墙面终止，削弱长路线中的目标信号；因此改用障碍物上的反射 Neumann 边界，并在目标处设置 Dirichlet 边界，使采样路径能够继续探索自由空间直至到达目标。为避免构建配置空间网格，作者将 Monte Carlo 求解器 Walk on Stars（WoSt）扩展至更高维度。 直接用 Monte Carlo 估计场进行规划时，局部波动可能使梯度方向反转，可靠规划因而需要高昂的采样成本。PUN 使用带噪、部分收敛的 Monte Carlo 标签学习几何到场的映射，以摊销求解成本，避免每个训练样本都必须求解至充分收敛。推理时，模型预测的全局场引导有界局部搜索，用于测试时计算扩展；具体网络结构、损失形式及搜索预算尚未验证。 作者报告，在所评估的四个噪声水平下，PUN 的表现匹配或优于全部所比较的规划器；在 4D 重规划基准中，成功率为 95–100%，并保持最低运行时间。在该 4D 基准的最高测试噪声水平下，作者报告，相对其他方法的成功率增益为 10.7–60.6%，运行速度为其 3.29–32.15 倍。摘要未给出具体对照名称、噪声定义、训练与测试几何划分及运行时间测量条件，实验协议、消融及统计信息尚未验证。 本文直接研究的是噪声控制下的几何规划，而非神经信号解码。材料未提供 EEG/BCI 实验或具体机制对应关系，因此不据此推断其对跨被试泛化或低信噪比解码有效；已有 EEG 相关工作尚未检索确认。复现前需核对边界条件适用范围、标签生成成本及局部搜索预算。