MIT Luca Carlone副教授：地图不够用，机器人得「记事」｜ICRA 2026

68 0 0

文章摘要

在ICRA 2026大会上，MIT学者Luca Carlone发表了关于机器人感知与空间AI的主旨演讲，系统论证了下一代机器人亟需任务驱动的记忆系统，而非单纯追求高精度地图。经典SLAM技术虽已取得显著成功，但其流水线极其复杂。近年来，稠密条件模型通过统一前馈框架革新了该领域，却面临处理帧数受限的问题。研究团队通过子地图切分扩展模型，并将传统位姿图优化升级为模型图优化，有效修正了尺度信息并解决了射影歧义导致的对齐伪影。

空间AI正在经历从传统地图向任务驱动型全局记忆的演进。传统地图仅能记录环境几何结构，而记忆系统则赋予了机器人编码、存储和提取泛化信息及行为体验的能力，使其能够应对跨越时空与经验的复杂自然语言查询。为此，研究团队构建了从3D场景图到开放词汇场景图，再到基于惊喜度的情景记忆的递进路径。开放词汇场景图系统能够为物体生成丰富描述并支持自然语言检索；而情景记忆框架则利用世界模型实时计算环境冲击，自动拦截并存储高惊喜度事件的短视频片段，从而大幅提升了机器人对动态信息的理解与推理能力。

面对海量环境数据，机器人的记忆设计必须是绿色且轻量的，并非所有信息都具有同等价值。研究推出的Clio系统引入信息瓶颈工具，通过感知具体任务需求来过滤无关干扰，实现了更少、更准的信息存储，显著提升了移动操作任务的成功率。其后续工作Found-IT进一步支持在运行时动态指定任务，摆脱了对预设任务列表的依赖。此外，针对语义不确定性问题，研究强调系统必须同时捕获认知不确定性与模型内在的系统性概念不确定性，以确保机器人应用的安全性。这些关键发现为具身智能在复杂真实环境中的长期任务执行提供了重要的理论基础与技术路径。