机器人不该只相信记忆：EvolvingNav如何在变化世界中持续导航

导语

对机器人而言，记住一个物体曾经出现在哪里，并不等于知道它现在在哪里。在家庭、办公室等环境中，目标可能在机器人离开后被人移动，也可能在机器人前往目标的途中发生变化。传统的持久空间记忆往往默认世界相对稳定，因此会把过时的位置当成确定事实。

一篇发表于 Hugging Face Daily Papers 的工作提出 EvolvingNav，关注的正是这种“记忆仍在，但世界已经改变”的导航问题。它把导航从静态地点检索，推进到带时间维度的状态推断。

核心要点

• 让记忆带上时间。 系统使用带时间戳的三维物体历史，记录目标曾在何时、何地被观察到，而不是只保存一个固定坐标。
• 用信念表示未知。 EvolvingNav通过持久—迁移模型区分两类可能：目标仍在最近一次观测位置，或已经移动到其他候选位置。同时，系统不会把概率强行分配给已知候选点，还会保留“未知位置”的概率质量。
• 预测抵达时的状态。 随着时间流逝，事件驱动过滤器持续传播当前信念，并估计机器人在不同检查时刻到达候选位置时，目标出现的可能性。
• 把没看到也当成证据。 新的RGB-D观察不仅能确认目标存在，也能在可见性和检测概率经过校准的前提下，降低某些位置假设的可信度。证据追踪机制则避免重复使用同一条观察。
• 不重新训练控制器。 更新后的信念被提供给冻结的零样本视觉语言控制器，由它选择行动并在必要时重新规划。

意义与影响

这项工作的价值不只是为导航系统增加一个预测模块，而是改变了机器人对“记忆”的理解：记忆应当是随时间衰减、可被证据修正的概率状态，而不是永久有效的地图标签。对于需要多次进入同一空间的服务机器人、仓储机器人或家庭助理，这种设计有助于减少因目标移动导致的无效搜索。

论文还提出 EvoWorld-Bench。该基准基于人类活动轨迹，包含54个场景和803,680个任务，并控制导航开始前及导航过程中的环境变化，用于检验系统能否应对长期、间歇观测下的目标定位问题。材料显示，作者在仿真和真实机器人实验中进行了验证；不过，当前提供的摘要未给出具体性能提升数值。

总体来看，EvolvingNav将持久记忆、世界状态预测和视觉证据更新放进同一套闭环中。它提示具身智能研究需要从“如何记住过去”进一步走向“如何在不完整观察下推断正在发生的变化”。

来源：Hugging Face Daily Papers