自贡市人工智能协会移动官网

搜索

IROS 2026 最佳论文解读：机器人如何解决了「时间性遗忘」顽疾？

2026-11-04

当前商用机器人正从试点演示加速走向规模化长期部署，但行业始终绕不开一个共性瓶颈 ——时间性遗忘（temporal amnesia）：当机器人多次回访同一空间时，新的观测数据会直接覆盖旧的场景记忆，系统只能保留场景的 “当前快照”，彻底丢失物体的历史位置、变化轨迹与状态时序。

这一问题直接击穿了机器人长期自主运行的基础：长期部署的机器人无法区分永久固定的基础设施与频繁移位的移动物体，无法判断消失的物体是被移走还是暂时遮挡，最终在定位漂移、物体身份混淆、时序逻辑推理上持续出错。

对于商用场景而言，无人值守是降本增效的核心前提，如果机器人需要定期人工重标定、重建图，运维成本会大幅上升，这也是大量机器人项目 POC 阶段表现亮眼、正式部署后体验打折的关键原因。

过去行业普遍将这类问题归因于建图精度不足、特征点匹配鲁棒性差，因此主流优化路线集中在提升前端感知模型精度、优化后端回环检测算法上。但这些方案本质上都是在优化“单次建图的质量”，完全没有触及记忆管理的底层逻辑。

换言之，行业普遍搞错了核心矛盾：这不是“看得准不准” 的问题，而是 “记得对不对” 的问题。现有场景记忆机制默认所有空间对象的“时间属性” 一致，采用 “无差别覆盖” 的更新策略，无论物体是常年不动的承重柱还是随时会动的物料箱，新观测都会直接覆盖旧记忆。这种机制在单次遍历场景（每个元素只能被访问一次的场景）中没有问题，但放到 “终身理解” 的时间尺度下，必然会出现静态记忆被动态噪声干扰、动态轨迹被直接丢弃的结果，最终整个记忆系统随时间持续退化。

IROS 2026的最佳论文 LT-Mem，正是从记忆机制的底层逻辑入手，给出了一套完整的时空记忆管理方案。这篇题为《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》的工作，由韩国大邱庆北科学技术院（DGIST）APRL 实验室完成，Yumin Lee 为第一作者，Hyoseok Ju 为第二作者，Giseop Kim 为通讯作者。该实验室 2024 年 12 月成立，聚焦具身智能终身学习方向，从建组到拿下 IROS 最佳论文仅用时 21 个月，该论文也是本届大会1933篇投稿中脱颖而出的获奖作品，突破速度在机器人领域十分罕见。

核心机制：分层时空记忆与波动率驱动的更新策略

LT-Mem 的核心创新，是提出了易变感知时空记忆（Volatility-Aware Spatio-Temporal Memory）框架，本质上是通过分层记忆结构与波动率自适应更新机制，解决了传统无差别覆盖导致的记忆退化问题，让场景记忆可以随时间持续迭代而非持续衰减。

1. 记忆架构：Live、Delta、Meta 三层记忆体系

与传统 “单一层面 + 时间戳” 的场景记忆不同，LT-Mem 将记忆拆分为三个功能互补的层级，分别承担当前状态、历史事件、长期统计的存储与管理：

Live Memory（实时记忆层）：存储场景的当前状态快照，包含物体的空间坐标、实例特征与语义标签，对应机器人对环境的最新感知结果，是实时导航与交互的直接依据。

Delta Memory（事件记忆层）：存储所有检测到的物体状态变化事件，记录变化前后的物体状态、时间戳与位置偏移，保留完整的场景变化轨迹，是时序推理的数据基础。

Meta Memory（元记忆层）：存储每个物体的长期统计信息，核心是波动率（Volatility）估计值，基于历史事件的变化频次、幅度动态更新，是记忆更新策略的决策依据。

三层记忆各司其职：实时层保证交互的实时性，事件层保留变化的完整时序，元记忆层提炼长期规律，共同构成了具备时间维度颗粒度的场景记忆体系。

2. 更新机制：基于波动率的三种操作模式

不同于简单的静态 / 动态二分法，LT-Mem 的更新策略是自适应的：系统根据 Meta Memory 中的波动率估计，针对每个物体的状态变化，在三种操作模式之间动态选择：

overwrite（覆盖）：当物体波动率较高、状态变化符合预期时，直接用新观测更新 Live Memory 中的对应状态，同时将变化记录写入 Delta Memory，适用于确认发生位移的动态物体。

hold（保留）：当物体波动率极低、新观测与历史记忆偏差较小时，保留原有记忆，不轻易更新，避免临时遮挡、观测噪声对静态物体记忆的干扰，适用于固定基础设施。

multi-hypothesis（多假设）：当波动率处于中等区间、观测存在不确定性时，同时保留原有记忆与新观测两种假设，待后续观测验证后再收敛，兼顾记忆的稳定性与适应性。

这种机制的核心优势是 “按需更新”：既不会因为过度保守丢失动态信息，也不会因为无差别覆盖破坏静态记忆的稳定性，在记忆准确性与存储效率之间取得了平衡。

3. 工程价值：算力效率与系统兼容性

从工程实现角度看，LT-Mem 的核心价值在于在提升长期场景理解能力的同时，保持了极高的算力效率。论文实验采用的硬件平台为 RTX 5070 Ti 显卡、64GB 内存，测试结果显示，在完成同等跨时段场景理解任务时，LT-Mem（Gemini 2.5 Pro 版本）的 Token 消耗仅为 438K，而传统批量处理方案 VLM-Batch 的 Token 消耗高达 7114K，仅为后者的 6% 左右，大幅降低了长周期场景记忆的算力成本。

需要说明的是，LT-Mem 并非完全独立于现有感知系统的轻量插件，它的运行依赖多时段 SLAM、实例分割、跨时段物体身份匹配等前端模块的支撑，是对现有机器人感知体系的记忆层扩展。其优势在于不需要替换现有前端感知方案，仅需在后端新增记忆管理模块，即可实现终身场景理解能力的升级，具备较好的工程可集成性。

配套支撑：LT-VQA 数据集与标准化评测体系

为验证终身场景理解能力，作者提出了面向跨时段物体状态追踪与时序问答的 LT-VQA 数据集，填补了长周期场景理解缺乏统一评测基准的空白。

1. 数据集设置

LT-VQA 包含三类真实场景：小型实验室（Lab-S）、大型实验室（Lab-L）与停车场（Parking Lot），覆盖了室内结构化场景与半室外动态场景。数据集共包含 30 个采集会话（Session），设计了 80 个面向时序的问答样本，标注了 61 个明确的物体状态变化事件，涵盖了物体移动、出现、消失等多种变化类型，覆盖了从短时间间隔到长时间跨度的不同场景变化模式。

2. 评测指标与对比基线

评测维度上，论文没有沿用传统的单帧感知精度指标，而是设计了三个面向终身场景理解的核心指标：

Event F1：物体状态变化事件检测的 F1 值，衡量系统识别场景变化的准确性；

QA-Event：基于事件的时序问答准确率，衡量系统对场景变化时序的理解能力；

QA-Freq：基于变化频次的时序问答准确率，衡量系统对物体变化规律的掌握程度。

对比基线涵盖了当前主流的四类方案：

Geometric Only：仅基于几何特征的纯 SLAM 方案；

Text-Batch：基于文本描述的批量场景比对方案；

VLM-Batch：基于大视觉模型的批量场景比对方案；

STAR：面向视频问答的时空场景图记忆方案，作为传统结构化场景记忆路线的代表基线。

需要说明的是，STAR 方法的 QA-Event 指标采用关键词匹配评分，其他方法均采用严格匹配评分，横向对比时需注意评分标准的差异。

3. 核心实验结果

从测试结果来看，LT-Mem 在所有核心指标上均大幅领先所有基线方案，且配备更强基础模型的版本性能进一步提升：

结果显示，传统批量处理方案在时序问答类指标上表现普遍偏弱，尤其是对变化频次的理解能力不足；而 LT-Mem 凭借分层记忆与波动率机制，在事件检测与时序推理上均展现出显著优势，验证了时空记忆架构对终身场景理解的核心价值。

价值深挖：解锁机器人的时序因果推理能力

很多解读只关注到 LT-Mem “记得更久” 的表层价值，但从产业应用的深层逻辑来看，它真正解锁的是机器人的时序因果推理能力—— 这是机器人从 “感知环境” 到 “理解环境” 的核心门槛，也是具身智能终身学习的关键基础。

过去的机器人感知系统是 “活在当下” 的：只能输出当前帧的场景信息，知道 “现在这里有什么”，但没有 “过去” 的概念，也无法推断 “为什么会变成这样”。而 LT-Mem 的分层时空记忆体系，相当于给机器人构建了一条完整的 “场景时间轴”，每个物体都有自己的状态变化历史，机器人可以基于这些历史信息完成因果推理和状态预判。

落到产业场景中，这种能力会带来直接的价值提升：

第一，异常检测从 “像素对比” 升级为 “语义理解”。传统巡检机器人的异常检测只能对比当前观测与基准地图的像素差异，只要物体位置变了就判定为异常，但很多变化属于正常的日常移位。而 LT-Mem 可以结合物体的波动率和历史轨迹，区分正常变化与异常变化。比如固定位置的消防栓如果发生位移会触发预警，而每天定时移动的保洁工具则不会误报，大幅降低巡检场景的无效告警。

第二，任务规划从 “即时反应” 升级为 “提前预判”。传统路径规划只能基于当前场景状态，经常出现 “走到跟前才发现物体变了，只能紧急重规划” 的情况，导致任务效率低下。而 LT-Mem 可以基于物体的波动率预判位置变化概率，提前规划更合理的路径。当出现定位漂移时，机器人也可以自动匹配低波动率静态物体作为锚点快速校正，不需要依赖全局回环检测，提升定位恢复效率。

第三，人机交互从 “避障逻辑” 升级为 “行为理解”。在人机共存场景中，传统机器人只会把人当成动态障碍物执行避障，无法理解人的行为意图。而结合时空记忆，机器人可以通过人的移动轨迹与场景物体的历史状态，推断人的行为意图，主动避让或者配合操作，提升人机协作的流畅度。

从具身智能的发展脉络来看，时空记忆是终身学习的基础底座。机器人的技能学习、经验迁移都需要基于稳定的场景记忆，如果每次进入同一个场景都像第一次到访，就永远无法积累经验。LT-Mem 的出现，为机器人提供了可落地、可持续更新的长期场景记忆架构，为具身智能的终身学习闭环补上了关键的感知一环。

边界与争议：技术局限性与行业路线分歧

客观来看，LT-Mem 给出了终身场景理解的高性价比落地方向，但它并非终极方案，其技术边界和行业争议也十分清晰。

1. 技术局限性

首先是冷启动收敛问题。波动率的准确估计依赖历史观测数据的积累；机器人首次进入全新场景时，物体的波动率先验需要从初始状态开始更新，无法在缺乏观测证据时直接给出精准的静态 / 动态判断，需要经过多次回访、积累足够的变化事件后，波动率估计才能逐步收敛到更稳定的水平，新环境部署存在一定的 “学习期”。

其次是特征维度相对单一。当前的波动率计算主要基于物体的位置变化特征，没有充分纳入外观、形态等维度的信息。对于位置不变但外观发生显著变化的物体，系统可能出现身份识别混淆，这也是后续多模态特征融合的重要优化方向。

第三是高动态场景下优势收窄。当场景中绝大多数物体都处于高频变化状态时，比如人流密集的商场、高速运转的物流分拣车间，大部分物体都属于高波动率范畴，分层更新策略的差异化优势会被削弱，系统更多表现为动态事件记录的能力。因此 LT-Mem 更适合静态物体占主体、动态物体占少数的常规室内与半室外场景。

2. 行业技术路线分歧

业内也有观点认为，LT-Mem 本质上还是 “显式结构化记忆” 的路线，通过人工设计的记忆层级与更新规则来管理场景信息。而人类的场景记忆更多是隐式、关联式的，对应的基于世界模型的隐式场景记忆路线，通过神经网络端到端学习场景变化规律，理论上限更高，但可解释性差、算力需求极高，目前仍处于实验室研究阶段。

两条路线没有绝对的优劣之分：LT-Mem 代表的是工程落地优先的路线，轻量化、可解释、易集成，适合当前商用机器人的规模化落地；世界模型路线代表长期未来方向，潜力更大但成熟度更低。

产业展望：终身具身智能的感知范式变迁

跳出技术细节来看，LT-Mem 能够拿下 IROS 2026 最佳论文，本质上反映了机器人领域的研究范式正在发生深刻转变：研究重心正在从 “追求单次任务的极致性能” 转向 “追求长期部署的持续能力”。

回顾过去十年，机器人领域的核心突破都集中在 “单次任务能力” 上：SLAM 解决了单次建图导航问题，视觉感知解决了单次物体识别问题，运动控制解决了单次任务执行问题等。但随着机器人从试点走向规模化长期部署，行业核心矛盾已经变化：现在的问题不再是 “能不能完成一次任务”，而是 “能不能连续运行一两年无需人工干预”。终身学习、持续适应、自主进化，正在成为机器人领域新的核心命题，而场景记忆正是所有这些能力的基础。

类比大模型的发展历程可以更清晰地看到这个趋势：传统 SLAM 和感知算法相当于大模型的 “上下文窗口”，只能处理单次输入输出；而 LT-Mem 这样的时空记忆机制就相当于大模型的 “外部记忆系统”，让机器人可以突破单次交互的限制，积累长期环境经验。

这种范式转变最终会带来产业逻辑的变化：过去的机器人产品 “出厂即巅峰”，性能不会随使用时间提升；而拥有终身场景记忆的机器人会 “越用越好用”，部署时间越长，对场景的理解越深刻，运行越稳定。

对于行业玩家来说，接下来的竞争焦点会从传感器配置、单帧感知精度转向长期运行稳定性、环境适应能力。谁能率先构建起成熟的时空记忆体系，实现机器人的终身自主适应，谁就能在下一代商用机器人竞争中占据先发优势。

总的来说，LT-Mem 的意义不仅在于提出了一个新的记忆架构，更在于它重新定义了机器人场景理解的时间尺度，把场景理解从单帧、单次的短期问题，变成了长期、终身、持续进化的长期问题。对于正处在规模化落地临界点的机器人产业而言，这篇最佳论文或许正是下一个十年技术路线升级的重要信号。

下一篇：这是最后一篇

上一篇：这是第一篇