跳转至

A Survey of Spatial Memory Representations for Efficient Robot Navigation

论文基本信息

  • 作者: Mohan Guo, et al.
  • arXiv: https://arxiv.org/abs/2604.16482
  • 领域: cs.RO, cs.CV

摘要

随着视觉机器人导航的环境规模增大，空间记忆无限增长，最终耗尽计算资源——尤其在嵌入式平台（8-16GB 共享内存，<30W）上，无法通过添加硬件解决。该调研审查了 88 篇参考文献，覆盖 52 个系统（1989-2025），从占用栅格到神经隐式表示。论文引入 α = M_peak / M_map（运行时峰值内存与持久化地图大小的比值），揭示发表地图大小与实际部署成本之间的差距。在 NVIDIA A100 GPU 上独立分析显示，α 在神经方法内跨越两个数量级（2.3 到 215）。论文提出标准化评估协议，包括内存增长率、查询延迟、内存完整性曲线和吞吐量衰减。

核心贡献

  1. Spatial Memory Efficiency Survey: 首个系统性调研机器人导航空间记忆效率的研究
  2. α Metric: 引入峰值内存 / 地图大小比值，揭示发表指标与实际部署成本的差距
  3. α-aware Budgeting Algorithm: 提出考虑 α 的内存预算算法
  4. Pareto Frontier Analysis: 展示不同范式在各自评估 regime 内的主导关系
  5. 标准化协议: 内存增长率、查询延迟、内存完整性曲线、吞吐量衰减

研究背景与问题

现有调研评估通常只关注地图大小（存储），忽视运行时峰值内存。神经方法尤其如此——小地图可能需要巨大的运行时内存（α = 215 意味着 47MB 地图在运行时需要 10GB）。

核心方法

  1. Independent Profiling: 在 NVIDIA A100 上独立测试各方法的实际内存消耗
  2. α Taxonomy: 系统分类不同空间记忆表示的 α 值分布
  3. Pareto Analysis: 在准确率 vs 内存效率的 Pareto 前沿上分析各方法
  4. Deployment Feasibility Assessment: 帮助从业者在实施前评估目标硬件上的可行性

为什么重要

这是首个系统揭示空间记忆"发表指标"与"实际部署成本"差距的研究。对需要在嵌入式/移动端部署导航 Agent 的系统，必须关注 α 而非仅地图大小。

与移动端/端侧相关性

  1. 嵌入式平台约束: 8-16GB 共享内存、<30W 功耗是移动机器人的典型约束
  2. α-aware 设计: 端侧导航系统设计必须考虑 α 值
  3. 资源预算算法: 论文提出的预算算法可直接应用于端侧内存管理
  4. 感知 vs 记忆权衡: 调研揭示了感知精度与记忆效率之间的权衡