LT-Mem 精读：波动感知的时空记忆——让机器人记住「那把绿椅子都去过哪」
DGIST（韩国大邱科学技术院）团队，IROS 2026 接收。长期作业的机器人反复重访同一环境，现有系统要么覆写历史保最新地图、要么存语义快照却没有跨会话对象身份——作者称之为「时间性失忆」：无法回答「那把绿椅子在所有会话里都去过哪？」。LT-Mem 三层解法：① 感知层：MASt3R-SLAM 多会话对齐（Sim(3) 锚点+跨会话回环+g2o 联合优化）+SAM3 实例分割提取每个对象的质心/体积/视觉嵌入；② 推理层：五项证据评分（E1 空间接近、E2 时间连续、E3 特征相似（主信号 w=0.45）、E4 运动一致性、E5 遮挡处理）做确定性跨会话重识别，仅歧义案例交给受限 LLM 判 MATCH/NEW-TRACK/HOLD；结构完整性检查对齐失败则整会话 HOLD；波动分数 V 用贝叶斯式证据累积（Eq.2，LLM 只给一次先验），据此在 OVERWRITE/HOLD/MULTI-HYPOTHESIS 三种更新间选择；③ Tri-Memory：Live 存当前状态、Delta 记带时间戳事件日志（APPEAR/DISAPPEAR/MOVE/RE-APPEAR/NONE）、Meta 累积波动统计并反馈回更新策略。发布 LT-VQA 数据集（两个室内环境各 10 对象×10 会话+室外停车场 10 会话，61 个状态变化事件+80 组 QA）。结果：Event F1 0.910 / QA-Event 0.820 / QA-Freq 0.600 全面超 Geometric/Text-Batch/VLM-Batch/STAR 四基线，token 消耗 438K 仅为 VLM-Batch（7,114K）的 1/16、STAR（45,859K）的 1/100；换 Qwen2.5-3B 仍达 0.885，证明增益来自结构化记忆架构而非 LLM 能力。消融：去掉重识别 F1 崩至 0.140，去掉波动感知降至 0.615。停车场景景级统计还能答「什么时候去最好找车位」（8:00 AM 0 辆 vs 1:03 PM 34 辆）。