MaIL：利用选择性状态空间模型改进模仿学习

基于摘要分析。本文研究机器人模仿学习中如何高效处理具有非马尔可夫特征的人类示范数据，提出以 Mamba 为骨干的 Mamba Imitation Learning（MaIL），作为 Transformer 策略的替代架构。核心贡献是提出一种使 Mamba 可用于编码器—解码器结构的形式化方案，支持独立策略，也可作为扩散过程中的 diffuser 组件。 机制与对照：原问题需要利用历史观测，而非仅依赖当前状态生成动作。MaIL 以选择性状态空间模型处理序列，旨在兼顾历史信息建模与计算效率。摘要未给出编码器—解码器衔接方式、损失函数、训练流程、模型规模或推理成本，不能据此量化其效率优势。 作者报告，在 LIBERO 模仿学习基准和三项真实机器人实验中，MaIL 在所有 LIBERO 任务上优于 Transformer，并在小数据、多模态感知输入及输入噪声条件下表现良好。摘要未提供具体分数、示范数据规模、任务划分、Transformer 基线配置或噪声设置；实验协议、消融及统计信息尚未验证，不宜将这些结果扩展为一般序列任务上的优势。 平台推测（待验证）：迁移假设是，MaIL 的历史信息建模机制可能有助于 EEG 时序建模，但原研究依赖机器人示范中的观测—动作序列及模仿学习监督，与 EEG 分类或解码标签并不等价。可考虑复用 Mamba 序列骨干，需改造 EEG 分段、通道输入和任务输出模块；编码器—解码器形式是否适用仍需核对全文。EEG 的低信噪比、跨被试分布变化、通道差异及小样本条件可能抵消原领域优势。一个可证伪的小实验是在固定被试内划分、相同预处理与训练预算下，对比 Mamba 和 Transformer 时序骨干的分类表现、推理耗时及噪声敏感性，再独立评估跨被试泛化；这属于迁移建议而非论文实验。已有 EEG 相关工作尚未检索确认。