用于原始传感器数据运动预测的混合运动表征学习

基于摘要分析。本文研究原始 LiDAR 传感器数据的运动预测，提出 Hybrid Motion Representation Learning（HyMo）统一框架，旨在结合全局对象级运动与局部点级运动线索，同时支持对象未来轨迹预测和逐点稠密运动预测。 核心思路是利用两种表征的互补性：全局运动范式从点云中检测对象并预测各对象的未来轨迹，局部运动范式则直接预测逐点运动。作者认为，局部表征包含的位移上下文可补充全局预测，而全局表征提供的对象上下文可改善同一对象内部局部预测的一致性。摘要未说明两类表征如何交互、具体网络结构、损失函数及训练与推理流程。 作者报告，在 nuScenes 数据集上的实验中，所学习的混合运动表征在全局与局部运动预测任务上均达到当时的最先进性能；但摘要未提供具体指标、分数、数据划分或对照方法，因此无法核对提升幅度及比较条件。实验协议、消融及统计信息尚未验证，代码与复现资源也无法由现有材料确认。 本文的主要研究对象是 LiDAR 点云运动预测，而非 EEG 或 BCI。其互补机制依赖点级空间位移与对象级上下文之间的对应关系；现有摘要不足以确定这一结构如何映射到 EEG 信号，因此不据此推断 BCI 效果或提出具体复现实验。相关 EEG 工作尚未检索确认。