MambaMOS：采用运动感知状态空间模型的 LiDAR 三维运动物体分割

基于摘要分析。该研究针对 LiDAR 运动物体分割（MOS）：利用此前扫描的运动信息，定位并分割当前点云中的运动物体。MambaMOS 的主要贡献是通过时空嵌入与运动感知状态空间模型，加强点云中时间线索和空间信息的耦合，以及同一物体跨时间步的关联建模。 方法包含 Time Clue Bootstrapping Embedding（TCBE）和 Motion-aware State Space Model（MSSM）。TCBE 用于增强点云时空信息耦合，缓解时间线索被忽略的问题；MSSM 通过两个不同的时间建模与关联步骤，强调同一物体在不同时间步的运动状态，并使用改进的状态空间模型表征运动差异。摘要未披露这两个步骤的具体运算、对象关联方式、状态更新方程、损失或训练细节，不能进一步推断实现结构。 作者报告，MambaMOS 在 SemanticKITTI-MOS 和 KITTI-Road 基准上达到最先进性能，并提供公开源码地址。摘要未给出具体指标、数值、数据划分及对照基线，因此尚不能核对优势幅度或比较公平性；实验协议、消融及统计信息尚未验证，代码的可运行性和复现条件也尚未验证。 平台推测（待验证）：其可供 EEG 方法研究参考的是时间线索嵌入与跨时间状态关联，而不是 LiDAR 分割结果本身。迁移假设依赖于 EEG 中存在可稳定追踪的时间结构；点云对象身份及运动差异不能直接等同于 EEG 通道或神经活动状态。可考虑改造输入嵌入和关联模块，但低信噪比、跨被试差异、通道配置变化及小样本均可能使关联失效。一个可检验的小实验是在固定 EEG 任务与划分下，对比普通状态空间模型与加入时间线索嵌入的版本，并保持训练预算一致，检查收益是否稳定。已有 EEG 相关工作尚未检索确认。