SPARK：通过物理重观测实现自我纠正的具身记忆

图 1：SPARK 修正循环总览。Episode 1（第 1 回合）在退化视角下飞行经过源航点，并依据其自身 RGB-D 观测构建记忆 H^(1)（第 1–2 步）。语义评论家（semantic critic）仅读取 H^(1) 与 Episode 1 的图像，按合理性、密度与图覆盖度标记相关区域（第 3 步）。规划器将这些标记转换为相对于源航点偏移的视点，用于 Episode 2（第 4 步）；选择性合并（selective merge）对条目进行删除、替换与新增以生成 H^(2)（第 5 步），随后由一组固定的 EQA（具身问答）问题对 H^(2) 相对于 H^(1) 进行打分（第 6 步）。预言机（oracle，蓝色）仅用于评估，从不进入评论家、规划器或合并环节。图片出处

图 2：分层记忆与评估环境。左：物体被归为簇（cluster），簇再归为区域（area），与 Embodied-RAG 一致，其中第一层簇是评论家标记所针对的单元。中：簇与物体记录示例。一个修正回合在物体层级上执行操作：删除那些回访时观察到却未找到的被标记条目，替换再次观测到的条目，并新增重新找回的条目，之后重建受影响的簇。右：四张室外地图，分别涵盖封闭式庭院、开放式工业场地、施工区域与市中心广场。图片出处

内容摘要

机器人把环境存成可用自然语言提问的记忆（检索增强生成，RAG），但这类记忆直接来自感知，错标签、错位置会长期留在库里；现有做法要么假定一次采集的库可靠，要么跨轮次只追加、不修正旧错。SPARK 要解决的是：机器人没有真值时，怎么诊断并修好已建好的记忆。

方法是三步闭环：由视觉语言模型（VLM）驱动的语义审查器独立于具体提问，用合理性（标签是否被图像支持）、密度（视野估计与库存对比）、图覆盖（簇的支撑观测过少）三个信号标出可疑区域；定点规划器把可疑区域转成重访视点去补采证据；选择性合并再据新观测对记忆增、删、改。

在 AirSim 仿真器的四张室外地图、两种退化视角、158 道固定具身问答题上：一次纠正把平均得分从 0.306 提到 0.531（未退化参考 0.488），同时比“只追加”少存 13–41% 物体。消融显示，三信号合并后对恢复不佳区域的召回从 0.667 升到 0.800；定向重访只略优于非定向（+0.154 对 +0.147），仅三图占优。到第 3 轮，四张图均超过各自的未退化参考，之后收益趋平。

这些结论只在仿真里成立：位姿视为精确真值、环境静止、只测室外场景。作者自述这是首个不依赖真值自我修复具身记忆的框架，本次材料未见第三方复现。

点评

对做机器人本体软件的工程师，这套“先诊断、再定点重访、最后增删改”的循环可以直接当作地图记忆的维护范式：审查不需要真值、也不绑定某个具体提问，重访预算可以按区域价值分配；合并后存储比只追加少 13–41%。代价是每轮纠正要额外飞 6–23 个视点。注意三种合并规则的增益几乎相同（+0.294 到 +0.296），说明收益来自重新观测拿到的新证据，而不是合并策略本身。

适用范围窄：实验全部在仿真中完成，位姿当作精确真值、环境静止、只测室外场景（重访位姿须在没有占据地图或避障栈时可达），论文未提供真机验证；纠正到第 4 轮时 Old Shipyard 存了 958 个对象而场景真值只有 152 个，记忆与查询成本仍随每轮采集增长。作者自称是首个无需真值即可修复自身知识库的框架，本次材料中没有第三方复现数据。证据边界：以上引文取自该论文的 arXiv HTML 全文快照，arXiv 摘要页与检索目录属滚动更新页面，论文后续修订版本不在本次核验范围内。

版本与核查范围

版本 2611.00344v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。

原文与定位

原文链接 #abstract1.1；#S1.p4.1；#S3.SS3.p2.1；#abstract1.1；#S6.SS1.p1.1；#S6.SS2.p1.1；#S6.SS3.p2.1；#S6.SS4.p2.1；#S6.SS5.p2.1；#S5.SS1.p1.1；#S6.SS5.p3.1；#S1.I1.i1

内容摘要

点评

原文与定位

关联知识节点

收录报告