基于状态空间模型的运动预测高效长程上下文建模

基于摘要分析。该研究面向自动驾驶中的交通参与者运动轨迹预测，提出 Attention-SSM Block（ASB），将局部注意力与状态空间模型（SSM）结合，以降低长程场景上下文建模的计算成本，并据此构建 MambaTraj。 核心机制：作者指出，基于向量化场景表示的注意力方法受自注意力二次复杂度限制，通常采用局部注意力折中。ASB 先通过简单局部注意力提取上下文，再按特定顺序排列 token，输入考虑 token 间相对位置编码的改造 SSM。MambaTraj 以 ASB 构建编码器，并配合基于 query 的解码器。摘要未说明排序规则、相对位置编码的具体实现、损失函数和训练设置。 结果与证据边界：作者报告，MambaTraj 在 Argoverse2 benchmark 上取得良好表现，同时具有较小的网络参数规模和较低的推理延迟；摘要未提供具体预测指标、参数量、延迟数值、数据划分或对照基线，因此尚不能量化其性能与效率优势。实验协议、消融及统计信息尚未验证，复现还需核对模型实现、排序策略和延迟测量条件。 平台推测（待验证）：其可迁移假设是，用局部注意力保留短程交互，再用 SSM 聚合长程信息，可能有助于控制长时窗 EEG 建模的计算开销。但原任务依赖向量化交通场景及具有相对位置关系的 token，不能直接等同于 EEG 时空结构。可复用部分是局部注意力与 SSM 的组合；需改造部分包括 EEG token 化、时间与通道位置编码，以及不破坏时序关系的排列方式。低信噪比、跨被试差异、通道变化和小数据训练均可能使收益失效。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对比局部注意力、纯 SSM 和 ASB 式组合，并检验相对位置编码与排序策略的贡献，同时记录任务指标、显存和推理延迟。相关 EEG 工作尚未检索确认。