MambaTrack3D：面向高时间变化条件下 LiDAR 目标跟踪的状态空间模型框架

基于摘要分析。该研究针对高时间变化（HTV）动态室外环境中的 LiDAR 点云三维单目标跟踪，提出基于状态空间模型 Mamba 的 MambaTrack3D，旨在缓解记忆式跟踪器的二次计算复杂度、时间冗余及几何先验利用不足。 核心机制包括两个模块：Mamba-based Inter-frame Propagation（MIP）以跨帧传播替代常规单帧特征提取，显式建模历史帧之间的空间关系，作者称其达到近线性复杂度；Grouped Feature Enhancement Module（GFEM）在通道级区分前景与背景语义，以减少记忆库中的时间冗余。具体状态更新、特征分组方式、训练目标及复杂度测量条件尚未验证。 作者报告，在 KITTI-HTV 与 nuScenes-HTV 上，该方法优于面向 HTV 和常规场景的跟踪器；在中等时间间隔条件下，相比 HVTrack，success 与 precision 的提升最高分别为 6.5 和 9.5。摘要未明确这些增量的单位、对应数据集及具体时间间隔，不能改写为百分比或百分点。作者还报告其在标准 KITTI 上具有竞争力，并据此主张较好的泛化能力与准确性—效率权衡；具体数据划分、指标定义、消融、统计信息及运行硬件尚未验证。 平台推测（待验证）：可检验的迁移假设是，MIP 的历史信息传播机制可能适用于 EEG 长时序上下文建模，但原任务依赖点云空间关系与目标前景／背景语义，不能直接套用到 EEG。可考虑复用状态空间传播模块，将几何关系改为时间窗与电极关系；GFEM 则需要重新定义任务相关成分与干扰成分，而非直接将 EEG 通道划为前景／背景。低信噪比、跨被试差异、通道布局变化和小样本均可能使历史状态传播累积干扰。一个小规模可证伪实验是在固定跨被试划分与训练预算下，对比逐窗编码和跨窗 Mamba 传播，检查任务指标、推理开销及窗口间隔变化下的性能；已有 EEG 相关工作尚未检索确认。