注意力记忆：具有视觉-语言-运动图的语言条件重感知

携带持久的、行为注释的地图的机器人面临两个截然不同的规划问题，而它的记忆只能很好地回答其中一个问题。空间导航问题——如何在房间里走动——我们首先解决，并报告了一个负面的问题：在视觉语言运动地图 (VLMM) 的基础上，行为感知规划器成本在 28 个 AI2-THOR 场景中将规划时间目标减少了约 35%，但在闭环执行下，这种好处几乎消失了 (约 4%)，按需视觉语言模型 (VLM) 也是如此。资源分配问题是不同的：在有限的感知预算下，机器人现在应该注意什么才能保持自己的地图新鲜？将重新感知作为这种注意决策，我们展示了持久地图的记忆 - 变化历史，甚至只是最后一次看到的新近度 - 产生了我们测试（保留）的最佳重新感知时间表，而无记忆类别先验是在 sqrt-law 时间表下最弱的 - 尽管在 Whittle 指数下它领先于记忆，直到异质性成为现实。正如柯西-施瓦茨界限预测的那样，增益随着每个实例的异质性而增长，跟踪 Var(sqrt(lambda))、根波动率的方差，并将预算重新分配给计划保护的重要对象；与真实的 CLIP 可移动性先验相比，它是 +21-26%，其中大约一半在先验的饱和规模校准后存活下来 (+7-13%)。当任务以语言为条件时，地图的完整组合就发挥了作用：告诉要跟踪什么，VLMM 接地相关对象（开放词汇）并跟踪它们的变化（记忆），击败相关性加权新近度基线（在完全异质性下，超过 26 个查询+2.9%；当实例率跟踪类别规范时，顺序会反转） - 以及先验类别（+9.2%）。地图的作用不是告诉机器人如何在房间里走动，而是告诉它要注意什么。