MambaMOS：基于运动感知状态空间模型的 LiDAR 三维运动物体分割

基于摘要分析。该研究面向 LiDAR 三维运动物体分割（MOS），利用历史扫描中的运动信息，在当前点云扫描中定位并分割运动物体。MambaMOS 针对时空信息耦合不足的问题，引入 Time Clue Bootstrapping Embedding（TCBE）与 Motion-aware State Space Model（MSSM），分别强化时间线索与空间信息的结合，以及同一物体跨时刻的运动关联建模。 机制方面，TCBE 用于缓解点云中时间线索被忽略的问题；MSSM 通过两个不同的时间建模与关联步骤，强调同一物体在不同时间步的运动状态，并用改进的状态空间模型表示这些运动差异。摘要未给出这两个步骤的具体运算、状态更新方式、损失函数及训练和推理配置，相关实现尚未验证。 作者报告，MambaMOS 在 SemanticKITTI-MOS 和 KITTI-Road 基准上取得最先进性能，但摘要未提供指标、数值、数据划分或对照方法，尚不能据此量化提升或判断优势来自哪些模块。实验协议、消融及统计信息尚未验证。作者表示将公开源代码，材料不足以确认代码已发布。 平台推测（待验证）：其可供 EEG 方法研究参考的是“显式保留时间线索，再建模跨时刻状态关联”的机制，而非 LiDAR 分割任务本身。迁移假设依赖于能否从 EEG 时间窗中构建有意义且稳定的状态对应关系；点云中的同一物体关联不能直接等同于 EEG 通道或潜在神经状态。可参考时序嵌入与状态空间建模思路，但需改造点云输入表示及物体关联机制。低信噪比、跨被试差异、通道配置变化和小样本训练可能使关联失效。一个可检验的小实验是在固定 EEG 任务与划分下，对照基础状态空间模型与加入时间线索嵌入的版本，保持其余训练条件一致，检验该模块是否带来稳定收益；这不构成已证实的 BCI 效果。相关 EEG 工作尚未检索确认。