MARS：用于自动驾驶语义占据预测的 Mamba 驱动自适应重排序方案

基于摘要分析。该研究面向自动驾驶中的体素级语义占据预测，提出 Mamba-driven Adaptive Reordering Scheme（MARS），以自适应剪枝和动态重排序替代固定的三维到一维序列化方案，旨在减少冗余计算并适应不同场景布局；研究对象并非 EEG 或 BCI。 核心机制：摘要指出，Transformer 方法面临大量体素带来的二次复杂度计算压力，而引入状态空间模型的 OccMamba 仍依赖手工设计的排序，存在冗余空体素被无差别处理、对场景布局适应性有限的问题。MARS 的 Adaptive Voxel Pruning（AVP）模块过滤冗余空体素、保留信息性体素；Dynamic Voxel Reordering（DVR）模块动态识别并排列关键体素，以支持场景级感知。摘要将剪枝描述为模态感知，但未提供具体模态输入、剪枝判据、排序学习方式或损失设计。 结果与证据边界：作者报告，在 OpenOccupancy 数据集上的实验显示语义占据预测性能改善，训练内存减少 19.6%，推理加速 9.7%。摘要未明确这些效率数字对应的对照方法、硬件、输入规模及计时口径，也未给出预测性能指标，因此不能据此量化与 OccMamba 的直接差距。数据划分、实验协议、消融及统计信息尚未验证；实现与复现条件也需正文核对。 平台推测（待验证）：假设其可迁移部分是“筛选信息性单元后进行自适应序列化”，而非体素占据预测本身。若用于多通道 EEG，需要将体素单元改为通道或时空片段，并重新定义保留标准与顺序约束；EEG 的低信噪比、跨被试差异及小数据条件可能使选择器误删弱任务信号，动态排序也可能破坏时间关系。一个可检验的小实验是在固定 EEG 数据划分与训练预算下，对比固定排序、仅剪枝和剪枝加动态排序，同时记录任务指标、内存与推理时间。该实验仅是迁移假设，已有 EEG 相关工作尚未检索确认。