超越记忆的世界：在不断发展的世界中持续导航的预测 4D 信念

持久的空间记忆使具身Agent能够在重复访问时导航熟悉的环境。然而，目标可能会在未被观察到的情况下移动，包括在导航过程中，这使得在Agent到达时记住的位置变得不可靠。尽管记忆检索和状态预测方面取得了进步，但在有限的可见性下解释隐藏世界的持续进化和修正信念仍然具有挑战性。我们研究演变世界导航，智能体通过间歇性观察推断目标位置，预测检查时的状态，并使用视觉证据修正信念。我们提出了 EvolvingNav，它通过结构化持久性重定位模型从带时间戳的 3D 对象历史构建时间索引信念。该信念将最后观察到的位置的持久性与重新定位到替代位置区分开来，并保留已知候选集之外的概率质量（概率总量）。事件驱动的过滤器随着时间的推移传播当前的信念，预测候选检查时间的目标占用情况，并合并新的 RGB-D 证据。未检出目标的观察会根据校准的、可见性条件的检测概率降低位置假设的权重，而证据跟踪会防止重复使用相同的观察。冻结的零样本视觉语言控制器使用更新的信念来选择操作并重新计划。我们进一步介绍了 EvoWorld-Bench，这是一个基于人类活动轨迹的基准，包括 54 个场景和 803,680 个任务，在导航之前和期间进行受控变化。在模拟和真实机器人实验中，EvolvingNav 在评估的基线上提高了导航成功率和搜索效率。配对实验显示了可学习时间模式下最明显的收益，而消融则证明了保留不确定性和纳入可见性感知证据的价值。