LT-Mem：用于终生场景理解的波动性感知时空记忆

机器人在不断变化的环境中长期运行需要在反复访问中持续保持对象级的理解。现有系统要么覆盖历史记录以维护最新的地图，要么在没有一致的跨会话对象标识的情况下存储语义快照，从而导致暂时失忆症：对象历史记录的系统性丢失导致无法回答诸如“所有会话中绿色椅子在哪里？”之类的查询。我们提出了 LT-Mem，一种波动感知内存演化框架，它将空间对齐的实例级 3D 感知与波动条件时间推理相结合。首先，多会话 SLAM 主干网提供跨会话的空间对齐的每个对象观察。其次，推理层控制对象内存的演变：确定性证据评分保留跨会话身份，并且波动感知策略根据每个对象的动态在覆盖、保留和多假设操作之间进行选择。第三，由此产生的三记忆结构（Live、Delta、Meta）保留了当前状态和事件历史，从而实现了以对象为中心的纵向推理。我们进一步介绍了 LT-VQA，这是一个数据集和评估套件，包含多会话记录、持久身份注释和时间 QA 对。实验表明，LT-Mem 在所有指标上始终优于基线，同时消耗的词元少了一个数量级，并且消融证实收益是由结构化内存架构而不是 LLM 容量驱动的。