新进展：机器人不仅能即时反应，还能记住3D场景
早期的导航系统往往像一个人走进房间，仅凭眼前所见来决定去向——这被称为反应式导航。这种方式会导致短视的决策，比如绕圈子，或者错过就在拐角处的目标。近期的研究已转向为机器人赋予持久的3D语义记忆：一种存储的环境地图，不仅包含墙壁和障碍物，还包括附着在3D位置上的“椅子”或“门”等标签。这让机器人能够进行长距离的前瞻规划，而不仅仅是对即时视野做出反应[1][2]。
例如，面向空中机器人的RAVEN系统构建了一种跨任务持续存在的3D体素射线地图（一种带有语义标签的小立方体网格）。在包含100项任务的10个逼真户外模拟测试中，其导航成功率比反应式基线方法高出85.25%[1]。这是一个巨大的提升，表明记住物体位置——而非仅仅在当下看到它们——能带来实质性的差异。同样，LagMemo利用语言-3D高斯溅射记忆（一种以语言标签存储3D场景的方式）来处理多目标导航，并在开放词汇任务中显著超越了最先进的方法[2]。
持久记忆仍面临的挑战：规模、变化与罕见物体
最大的实际限制是内存和计算资源。存储详细的3D语义地图可能非常占用空间，尤其是在处理长视频或大范围户外场景时。一种解决方案是SceneVGGT，它采用滑动窗口方法，无论视频多长，都能将GPU内存控制在17 GB以内[3]。这个数字很关键：它意味着系统可以在单块GPU上运行而不会崩溃，但同时也意味着地图是由重叠的片段拼接而成的，这可能会引入对齐误差。因此，虽然内存问题可控，但并非没有代价——你需要在细节和效率之间做出权衡。
另一个限制在于世界是不断变化的。如果椅子被挪动或门被关上，机器人的记忆就可能过时。SceneVGGT及其配套工作[3][4]明确追踪时间戳和实例身份来检测变化，但这增加了复杂性。而在户外搜索场景中，目标可能非常稀疏——比如在一片开阔场地上找到某辆特定的车。RAVEN通过使用大型视觉语言模型来提示辅助线索（例如“在树附近找找”）来解决这一问题，但这是额外的一步，如果模型的猜测出错，就可能失败[1]。因此，持久记忆虽然强大，但并非万能灵药：它需要与实时感知和变化检测相结合，才能保持可靠。
如何向非专业人士解释：电梯演讲
如果你要向非专业人士解释，可以用一个类比：持久的三维语义记忆就像给机器人一张建筑物的 mental map（心理地图），上面贴着便利贴标注物体（“这是灭火器”“这是门”）。这让机器人能规划通往目标的路线，而不必从一开始就看到目标。但这张地图并不完美——它占用内存，如果物体移动就可能过时，而且寻找稀有物体时可能需要帮助。关键要点是，这种记忆让导航更高效、更安全，但它不能替代机器人的眼睛，而是与之互补。
证据支持了这一点：在各项研究中，持久记忆提升了成功率和安全性。例如，[5]中的语义启发式规划器利用语义信息调整不同类型障碍物周围的安全距离，与仅考虑障碍物距离的规划器相比，在室内环境中生成了更安全的路径。这表明语义记忆不仅关乎寻找目标，也关乎规避危险。因此，在解释局限性时，要强调记忆是一个强大的工具，但必须保持更新，并与实时感知配合使用。
关于这些资料来源
本回答基于5项同行评审研究——发表于2024年至2026年，其中5项为2024年或之后发表——这些研究是从5项通过质量筛选的研究中选出的最具相关性的成果，而这些研究又源自从超过5亿篇论文的数据库中检索到的39篇文献。
本文引用的文献
RAVEN：基于开放集语义记忆与行为自适应的弹性空中导航
RAVEN，一个基于3D记忆的行为树框架，用于空中导航，在10个逼真室外环境中的100项任务模拟中，比基线方法性能提升了85.25%，并已部署在真实的空中机器人上。
LagMemo：面向多模态开放词汇多目标视觉导航的语言3D高斯溅射记忆
LagMemo利用语言3D高斯溅射记忆，在GOAT-Core基准的多目标视觉导航任务中显著优于现有最先进方法，实现了高效的多模态开放词汇定位。
SceneVGGT：基于VGGT的在线三维语义SLAM，用于室内场景理解与导航
SceneVGGT是一个基于VGGT的在线3D语义SLAM系统，无论输入序列长度如何，其GPU内存占用始终保持在17 GB以下，并在ScanNet++上实现了具有竞争力的点云性能，支持交互式辅助导航。
使用VGGT构建时间连贯的3D地图，以实现内存高效的语义SLAM
一个基于VGGT的配套流程采用滑动窗口子地图对齐，实现了接近实时的性能，通过存储时间戳和实例身份来检测环境变化，并在实际辅助导航场景中展示了其适用性。
面向更安全的室内空中机器人导航的三维语义启发式规划
使用Lazy Theta*结合语义信息的3D语义启发式规划器，在包含走廊、楼梯、门、柱子和墙壁的测试中，相比仅考虑障碍物距离的成本感知Lazy Theta*，显著提升了安全性和路径效率。