DriveMamba：面向高效端到端自动驾驶的任务中心可扩展状态空间模型

基于摘要分析。DriveMamba 研究端到端自动驾驶（E2E-AD）中感知、预测与规划的联合建模，提出任务中心的可扩展状态空间模型，将动态任务关系建模、隐式视角对应学习和长期时间融合整合进单阶段 Unified Mamba decoder。 摘要将现有方法的瓶颈归纳为：分离的 Transformer 解码器及人工设定的感知—预测—规划顺序可能带来信息损失与累积误差，稠密 BEV 表征和注意力的二次复杂度限制时空输入处理的效率与扩展性。DriveMamba 将提取的图像特征和预期任务输出转换为 token 级稀疏表征，再按其在三维空间中的实例化位置排序，以线性复杂度算子进行长上下文序列建模。同时，双向轨迹引导的“局部到全局”扫描用于保留自车视角下的空间局部性，服务于自车规划。具体 token 构造、轨迹引导信号来源、训练目标及图像骨干训练方式尚未验证。 作者报告，在 nuScenes 和 Bench2Drive 上的广泛实验显示 DriveMamba 具有性能、泛化和效率优势；摘要未提供具体指标、数值、数据划分、对照基线或计算资源条件，因此无法量化优势，也不能确定泛化结论所对应的评估协议。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可借鉴点是长序列线性复杂度建模与空间排序，而不是自动驾驶任务本身。若用于 EEG，需要将图像及任务 token 改造为通道—时间表征，并重新定义电极空间邻接；自动驾驶中的三维实例位置和轨迹引导不能直接等同于 EEG 的信号传播结构。低信噪比、跨被试差异、通道布局变化及小数据训练均可能使排序与扫描策略失效。一个可证伪的小实验是在固定 EEG 任务、被试内划分和计算预算下，对比时间顺序扫描与电极邻接引导扫描，检验空间排序是否改善同一任务指标及推理成本。已有相关 EEG 工作尚未检索确认。