SSM-PixNav：用于像素引导具身导航的状态空间模型

基于摘要分析。研究面向机器人向图像中指定像素导航时的精确空间定位问题，提出结合深度信息与 Mamba 状态空间模型的导航策略，并构建用于可复现评估的 PixNav Trajectories 数据集；其主要研究对象是具身导航，而非 EEG/BCI。 机制方面，RGBD-PixNav 将深度直接引入策略，以缓解仅使用 RGB 时难以区分外观相近但可通行性不同区域的问题。方法使用 Mamba-based SSM 进行时序建模，并引入因果 SSM 策略和 depth-gating 机制，自适应融合 RGB 与深度特征。摘要未提供具体网络结构、损失、训练方式或门控计算细节。 数据与结果方面，PixNav Trajectories 使用 Habitat-Sim 中的 HM3D 场景构建。作者报告，Causal SSM-RGB 与 RGBD 变体相较强基线提升了成功率，摘要将增益表述为“约 0.4”，但未明确其量纲、基线值及具体评估划分，不能转换为百分比或百分点。作者同时报告，模型参数量约为 27M、约为所比较模型的一半，并对观测噪声及不同历史长度表现出鲁棒性。参数减少不等于已验证的推理加速；实际计算开销、噪声设置、场景划分、消融及统计信息尚未验证。摘要称代码与数据集可用，其完整性与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务需要因果处理较长的多通道序列，SSM 时序建模可能提供可测试的计算效率路径，但导航中的 RGB—深度几何互补不能直接等同于 EEG 通道融合。可复用部分主要是时序骨干；输入编码、通道处理与任务监督需重新设计，低信噪比、跨被试差异和小数据条件可能削弱效果。一个小规模可证伪实验是在固定 EEG 数据划分、输入历史长度和训练预算下，对比 SSM 与 Transformer 的任务指标、延迟及噪声敏感性，避免把导航结果当作迁移证据。已有 EEG 相关工作尚未检索确认。