在实际系统中，已部署的控制策略可能掩盖关键的动力学变化。例如，执行器失效但因策略很少激活它而不影响当前任务，却会在未来未指定的任务中导致灾难。为此我们提出“隐藏动力学漂移下的任务就绪”决策问题，它统一了主动诊断和事后恢复，并在有限的、与任务无关的交互预算内完成。智能体需要判断局部动力学是否改变、改变发生在何处，并利用少量信息交互在任务身份揭示前对变化进行表征。随后，对于每个候选任务，智能体要么提供恢复后的策略并给出其可达回报的下界，要么选择安全回退并放弃。我们设计了 Evidence‑Gated Matched‑Pulse Transport（EG‑MPT），这是一种基于干预的贝叶斯方法，利用共享的匹配响应表示同时进行故障定位和执行器有效性估计，从而在保持诊断可靠性的同时，将局部证据转化为恢复相关的不确定性。该不确定性被传播到任务条件化的策略选择和就绪认证中，使部署决策能够显式权衡期望性能、置信度和回退使用。我们在多个仿真平台上构建了涵盖休眠执行器的基准，采用先诊断后恢复的协议，依据就绪覆盖率、选择性风险、交互成本以及最终回报进行评分，并分析了在哪些故障模式下转移的证据最为决定性。
点评