LiDAR Dreamer：采用笛卡尔—极坐标编码与轻量状态空间单元的高效自动赛车世界模型

基于摘要分析。本文针对高速自动赛车中样本效率、动态预测可靠性与实时控制难以兼顾的问题，提出面向 LiDAR 传感数据的世界模型 LiDAR Dreamer，通过点云编码、轻量状态空间单元和新的散度函数降低模型开销并改善学习稳定性；主要研究对象是自动赛车，而非 EEG/BCI。 方法包括三部分：Cartesian Polar Bar Charts 用于点云预处理与编码；Light Structured State-Space Cells（LS3C）用于压缩循环状态空间模型（RSSM），作者报告其参数减少 14.2%，同时保留关键动态信息；Displacement Covariance Distance 散度函数用于增强学习稳定性与表达能力。摘要未提供单元结构、散度公式及训练与推理细节，尚不能判断各模块的独立贡献。 作者在 PyBullet F1TENTH 仿真环境中评估不同复杂度赛道。在复杂弯道较多的 Austria 赛道，作者报告 LiDAR Dreamer 的 progress 为 1.14，DreamerV3 为 1.27，约达到后者表现的 90%，同时参数减少 81.7%；该比较中的参数口径与 RSSM 内部减少 14.2% 的口径需区分。在较简单的 Columbia 赛道，作者报告 model-free 方法的绝对表现更高，但 LiDAR Dreamer 相较基线 Dreamer 模型更快收敛至稳定表现，呈现更好的样本效率。在 Treitlstrasse 环境，作者报告其表现与基线方法相当。作者还报告 reward loss 收敛更稳定、未出现尖峰。 当前证据限于摘要所述仿真实验，不能推断真实赛车部署、安全性或实时延迟已经得到验证。progress 的定义、参数统计范围、训练预算、随机种子、消融与统计信息尚未验证。LS3C 是否适用于 EEG 时序建模也尚未验证；摘要不足以建立具体的跨领域机制对应，已有 EEG 相关工作尚未检索确认。