RoboDreamer：基于预测性状态空间模型的前瞻式人形机器人运动控制

基于摘要分析。本研究面向人形机器人运动控制，试图兼顾感知不完整时的稳定性、长时序依赖建模与高频实时推理效率。RoboDreamer 采用 Mamba 的选择性状态空间机制，并通过训练时随机时间掩码学习恢复缺失观测及预测未来状态，进一步利用 action chunking 在一次推理中生成多步动作。 技术上，论文将显式时序建模与缺失观测恢复结合，以应对摘要所述 MLP 策略缺乏显式时间记忆、Transformer 策略计算开销较大的问题。多步动作生成旨在改善控制平滑性，但摘要未说明观测与动作表示、掩码分布、预测跨度、损失函数或训练流程，不能据此确定各模块的独立贡献。 作者报告，在其人形机器人运动控制实验中，RoboDreamer 相较 MLP 和 Transformer 基线具有更好的鲁棒性与效率，能够在观测被掩码时维持稳定运动，并支持高频实时部署。摘要未提供具体任务、机器人平台、数据规模、基线配置、控制频率、硬件及定量指标；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 研究借鉴的是选择性状态空间时序编码与时间缺失恢复机制，而非机器人运动控制效果本身。其原始机制依赖连续的观测—动作序列及未来状态预测目标；迁移至 EEG 时，需要改造信号输入、掩码策略与训练目标，不能直接沿用动作生成模块。低信噪比、跨被试差异、通道布局变化与小数据可能使模型学习伪迹或过度平滑任务相关瞬态。一个可证伪的小实验是在固定划分的 EEG 解码任务中，对比相同训练预算下有无随机时间掩码的 Mamba 编码器，分别测量干净输入和连续片段缺失下的任务表现及推理延迟；这仅是迁移假设，已有 EEG 相关工作尚未检索确认。