机器人连续在同一个空间里工作一年之后，它还记得什么？
——8页纸的最佳论文
IROS 2026 在匹兹堡落下帷幕。本届共收到 4348 篇投稿，最终录用 1585 篇，录用率约 36%。
今年Best Paper Award ，最终颁给了一项关于机器人“长期记忆”的研究。
《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》
这篇论文很简洁，全文仅8页。三位作者则均来自韩国大邱庆北科学技术院（DGIST）。
作者所属的APRL实验室，由通讯作者金基燮（Giseop Kim）于2024年12月才刚刚创立，研究领衔的两位作者则在 2025 年 7 月才入学。
也就是说，该实验室从创立到拿下IROS最佳论文，只用了一年零九个月。
▲ 金基燮，博士毕业于KAIST（土木与环境工程，师从Ayoung Kim教授），博士期间提出的Scan Context，是长期激光雷达定位（place recognition）领域被广泛使用的方法，大量自动驾驶与SLAM系统都在跑它。©【深蓝具身智能】
解决机器人的“时间遗忘症”
过去几年，大多数团队在VLA、人形机器人运动控制、多模态感知等方向上投入了巨大的研究力量，也产出了大量高影响力工作。
这些工作的共同特征是：如何让机器人做得更好，拥有更强的泛化、更高的成功率、更低的延迟。
而LT-Mem考虑的是：一台机器人连续在同一个空间里工作一年之后，它还记得什么？
以家庭场景为例，客厅里的东西、陈设并非每天都一摸一样的。水杯可能移动，物件可能移除。
过去二十年，机器人解决“环境变了，可以总结为”两条路：
-
一是几何式终身建图（LT-mapper、Khronos这类），检测到变化就把旧元素删掉重写，历史被覆盖；
-
二是语义快照（ConceptGraphs、ReMEmbR这类），攒一堆语义描述，一股脑塞进向量库，但跨会话的物体身份对不上。A会话的“椅子”和B会话的“椅子”是不是同一把，系统没办法判断。（缺乏同一个物理实体在跨会话之间的显式身份对齐）
显然，这两条路，都记不住“单个物体的完整历史”。
LT-Mem 将这类现象，定义为 temporal amnesia（时间性遗忘）。
LT-Mem的解法
LT-Mem的做法，是把这件事拆成三块，做成一套闭环系统。
在谈记忆之前，需要先解决一个绕不开的前提。
通常来说，第一天和第十天的两次观测，必须能放在同一个坐标系里比较。否则所有"位移"都是漂移。
-
第一块，感知层。
LT-Mem 的底层用了一套多会话 SLAM（multi-session SLAM），把10次到访的轨迹对齐到同一个坐标系；再用SAM3这类通用分割模型，把每个物体切成独立的3D实例「质心、体积、外观特征」。
有意思的是，通讯作者 Giseop Kim 的博士论文做的就是 LiDAR lifelong mapping（LT-mapper，ICRA 2022），当年解决的是"点云层面的长期地图该怎么增删改"。LT 这个名字前缀，也从那时沿用到了今天。
-
第二块，推理层。
跨会话重识别不再靠“离得近就是同一个”，而是用五项证据打分（空间、时序、外观、运动、遮挡），只有疑难杂症才交给一个受限LLM裁决；更新前还要做“结构完整性检查”，对齐质量不过关，整场更新直接暂停，防止脏数据污染记忆。
-
第三块，波动率（Volatility）感知的记忆更新策略。
每个物体都有一个波动率分数，表示“这玩意儿到底多爱动”。打印机半年不动，波动率趋近于零，那就把它当导航地标，位置永远可信；棕色篮子天天被搬来搬去，波动率冲高，系统就不跟它较真，记录事件但不固执于某个位置。波动率用贝叶斯式规则在线累积，初始先验只需让LLM按物体语义标签猜一次，几个会话就能自己收敛，同一个物体在不同环境里动静不同，也不需要人工调参。
推理结果落进一个三元记忆结构：Live（活记忆）存当前确认状态；Delta（增量记忆）存带时间戳的事件日志，如“S1出现，S5移动4.6米，S8消失”；Meta（元记忆）存长期统计，比如波动率和变动频率，再喂回更新策略，形成闭环。
▲系统管道。（左）感知层对齐多会话观察，并通过3D分割提取对象实例。推理层执行完整性检查的内存演化，包括身份匹配、更改检测和波动性感知更新选择。（右）更新状态在Tri-Memory（Live、Delta、Meta）中组织，并通过以对象为中心的检索来检索，以支持长期的视觉问题回答。©【深蓝具身智能】编译
为了证明与验证，他们建了LT-VQA数据集。
该数据集有3个真实环境（两个室内、一个户外停车场）、30次会话、80个跨会话问答对，带逐物体的身份标注和事件级标注。
▲LT-VQA数据集©【深蓝具身智能】编译
在LT-VQA（Lab-S + Lab-L组合）上，LT-Mem在所有指标上都取得了最先进的结果。
▲即使使用轻量级本地Qwen2.5-3B推理器，LT-Mem仍然优于每个基线——表明收益来自结构化内存架构，而不是LLM容量。©【深蓝具身智能】编译
IROS 近5年 Best Paper Award
回顾过去五年的总最佳论文得主：
-
2022（京都）｜SpeedFolding：让双臂机器人快速叠衣服。（UC Berkeley × KIT）
-
2023（底特律）｜Autonomous Power Line Inspection with Drones via Perception-Aware MPC：把感知塞进 MPC 的带宽里。（苏黎世大学，Scaramuzza）
-
2024（阿布扎比）｜On the Modularity of Elementary Dynamic Actions：一个关于运动基元能否拆解的基础问题。（MIT Leg Lab，Neville Hogan）
-
2025（杭州）｜生物融合机器人的骨骼肌选择性刺激。（中科院沈阳自动化所）
-
2026（匹兹堡）｜LT-Mem：跨会话长期物体记忆。（韩国 DGIST）
奖项是一种确认，也是一次记录。
「机器人长期在同一个空间里工作该怎么维护地图」，并非一个今年才涌现的新问题。这条研究脉络可以追溯至 Brooks、Thrun 一代学者提出的持久自主（persistent autonomy）理念，历经变化检测（change detection）、终身 SLAM（lifelong SLAM），再到 Khronos 这类时空建图系统，构成一条延续数十年的核心研究主线，并在今年再度成为IROS重点关注方向。
扫码添加阿蓝，选择想要加入的交流群即可
（按照提交顺序邀请，请尽早选择）
👇
