التفتيش السحابي للنقاط أمر حاسم لرؤية الروبوتات وفهم البيئة، مما يمكّن التطبيقات مثل الملاحة الروبوتية وإعادة بناء الصور ثلاثية الأبعاد. ومع ذلك، فإن التعامل مع الطبيعة النادرة والغير مرتبة لبيانات السحابة النقطية يمثل تحديات لتحقيق التفتيش الفعال والدقيق. مستوحى من نجاح نموذج مامبا في معالجة اللغات الطبيعية، نقترح نموذج التفتيش السحابي للنقاط المتسلسل (Serialized Point Mamba)، الذي يستخدم نموذج الفضاء الحالة لضغط التتابعات بشكل ديناميكي، تقليل استخدام الذاكرة، وتعزيز الكفاءة الحسابية. يدمج Serialized Point Mamba قدرات النمذجة المحلية-العالمية بتعقيد خطي، مما يجعله يحقق أداءً رائدًا على مجموعات البيانات الداخلية والخارجية. يتضمن هذا النهج تقنيات جديدة مثل تعلم التتابعات السحابية للنقاط بالمرحلتين، وتجميع الشبكة (grid pooling)، وترميز الموقع الشرطي (Conditional Positional Encoding)، مما يسهل تحقيق التفتيش الفعال عبر مهام السحابة النقطية المختلفة. حققت طريقتنا 76.8 mIoU على Scannet و70.3 mIoU على S3DIS. وفي تفتيش الحالات في Scannetv2، سُجلت نسبة 40.0 mAP. كما كان له أقل زمن استجابة واستخدام معقول للذاكرة، مما يجعله أفضل التقنيات المتقدمة (SOTA) بين نماذج التفتيش الدلالي للنقاط المستندة إلى مامبا.