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策略对历史信息的建模问题，提出 Mamba Imitation Learning（MaIL），以 Mamba 为骨干，为 Transformer 策略提供计算高效的替代架构；核心贡献是引入使 Mamba 可用于编码器—解码器结构的形式化设计。 原问题与机制：人类记录的示范数据具有非马尔可夫行为，因此策略不能仅依赖当前观测。摘要指出，Transformer 能有效处理这类数据，但较大的模型增加了训练难度；MaIL 利用选择性状态空间模型进行序列建模，可作为独立策略，也可作为更复杂架构中扩散过程的 diffuser。具体状态更新、编码器与解码器的连接方式、损失函数、训练及推理流程尚未验证。 结果与证据：在 LIBERO 模仿学习基准及三项真实机器人实验中，作者报告 MaIL 在全部 LIBERO 任务上优于 Transformer，并在小数据集、多模态感知输入和输入噪声条件下表现良好，其中噪声鲁棒性优于 Transformer。摘要未提供具体分数、数据规模、划分方式、基线配置及计算开销，实验协议、消融及统计信息尚未验证，因此不能据此量化性能或效率增益。 平台推测（待验证）：假设选择性状态空间建模能够保留 EEG 中与任务相关的时间信息，它可能为长序列解码提供替代骨干；但原论文依赖机器人示范序列及模仿学习监督，不是 EEG/BCI 验证。可考虑复用序列骨干与编码器—解码器组织方式，需改造通道输入表示、任务输出及监督目标。低信噪比、跨被试差异、通道变化和小样本训练可能使机器人领域的优势无法保持。一个可证伪的小实验是在固定 EEG 任务、相同跨被试划分和训练预算下比较 MaIL 式骨干与 Transformer，并施加相同的噪声扰动，检查任务指标、运行开销及性能下降幅度。相关 EEG 工作尚未检索确认。