想象一下，你正试图在一间从未见过的房子里寻找一个特定的物体，比如一个“复古烤面包机”。你只能通过一个狭窄的窗口看到正前方的景象，而且你必须记住自己去过哪里、看到了什么，以及正在寻找的目标，以便决定下一步行动。这就是机器人导航世界的日常工作——这是一个被称为**具身智能（Embodied AI）**的科学领域。为了实现这一点，机器人使用一个“大脑”（策略网络），它就像一个短期记忆，根据新的视觉和听觉信息不断更新其内部状态。长期以来，科学家们尝试了两种构建这种记忆的主要方法：一种是将历史压缩成一个单一的、不断缩小的摘要（就像一本旧式的笔记本）；另一种是保留一份最近看到的所有内容的详细清单，并在每次需要时重新阅读整份清单以寻找联系（就像一个超级组织有序但动作缓慢的图书管理员）。核心问题在于：当机器人寻找的物体可能有一个奇怪的名字，或者位于一个完全陌生的房子里时，哪种方法能更好地帮助它找到路径？

这篇论文介绍了一种名为 LANav（基于线性注意力的导航）的新方法，以及一个特别的升级版 WSLA。研究人员发现，曾被认为处于技术尖端地位的“超级图书管理员”方法（使用带有自注意力的 Transformer 模型）实际上在机器人需要记忆长距离旅程时会遇到瓶颈。令人惊讶的是，让机器人观察更长的历史记录并不会让 Transformer 变得更好；事实上，有时反而会变差。相反，团队发现一种称为**线性注意力（Linear Attention）**的方法效果更好，这种方法像一个稳定、结构化的流一样更新其记忆，而不是重新阅读整份清单。他们利用这个想法，通过 WSLA 对其进行了强化，该技术将记忆拆分为多个“子流”，并学习如何分配每个子流的权重。在测试中，这个新系统在一次具有挑战性的模拟实验中成功找到了目标物体 36.4% 的次数，明显超越了顶尖的 Transformer 模型。更酷的是，他们在真实的房间里用真实的机器人狗进行了测试，成功率达到了 82%，这证明了这种“流式记忆”的思想不仅适用于计算机，在现实世界中同样有效。

问题所在：机器人的记忆危机

想象一下，你正在一个巨大的、陌生的迷宫中寻找一把“蓝色椅子”。你只能看到前方几步远的距离。每当你转过一个弯，你都会看到新事物，但你也会忘记十秒钟前看到了什么。为了找到椅子，你的大脑需要保留线索：“我经过了一扇红门”、“我听到了风扇声”、“我向左转了两次”。

多年来，机器人科学家尝试用两种主要的记忆类型来解决这个问题：

1. 压缩器（RNNs）： 这些就像是一个将所有过去记忆挤压成一个微小、致密球体的机器人。它很快，但随着旅程变长，这个球体会变得越来越小且混乱，导致机器人遗忘重要的细节。
2. 重读者（Transformers）： 这些就像是一个保留着一份完美的、长长的关于它所见之物的卷轴的机器人。每当它需要决定下一步往哪走时，它都会从头到尾重新阅读整份卷轴以寻找联系。这很强大，但如果卷轴变得太长，就会变得缓慢且混乱。

研究人员问道：“如果我们给 Transformer 机器人一个更长的卷轴（更长的历史记录），它会更擅长寻找物体吗？”他们针对一项名为**开放词汇目标导航（Open-Vocabulary Object Goal Navigation）**的任务测试了这种“重读者”（Transformer）方法。这是一种高级说法，意思就是：“即使我使用的是你从未听过的奇怪名字，比如用‘装汤的东西’代替‘锅’，你也要找到那个物体。”

惊喜：更多的历史记录并没有帮助

团队进行了一系列受控实验。他们保持所有变量不变——机器人的眼睛、地图、训练规则——仅改变记忆系统。他们预期如果给 Transformer 机器人一个更长的卷轴来阅读，它找到物体的频率会更高。

但转折来了：这并没有奏效。

当他们增加 Transformer 可以看到的历史长度时，机器人的表现并没有提高。事实上，在某些情况下，表现甚至略有下降。这就像机器人溺死在了自己的记忆中，无法分辨长长的卷轴中哪些部分才是真正重要的。这种“重读者”方法似乎遇到了天花板。事实证明，对于在迷宫中徘徊的机器人来说，不断重新阅读整个历史并不是更新其状态的最佳方式。

解决方案：“流式”记忆

研究人员随后尝试了一种不同的方法：线性注意力（Linear Attention）。与其重新阅读整份卷轴，不如想象一个拥有“流式记忆”的机器人。当它行走时，它会像河流一样逐步更新其内部状态。它不会回看整条河流，而只是根据新的降雨（新的观测结果）和当前的水流来更新水位。

他们利用这种流式方法构建了一个名为 LANav 的系统。结果立竿见影且令人印象深刻：

• 优于旧方法： LANav 击败了“压缩器”（RNN）和“重读者”（Transformer）模型。
• 越长越好： 与 Transformer 不同，当他们给 LANav 机器人更长的历史记录进行学习时，它的表现实际上变得更好了。训练的历史记录越长，机器人就变得越聪明。

升级版：WSLA（多流大脑）

研究人员并没有止步于此。他们意识到，即使是流式记忆也可以得到改进。他们问道：“如果我们的机器人不仅仅有一条记忆流，而是有几条，并且可以学习该听从哪一条呢？”

他们创建了 WSLA（加权状态扩展线性注意力）。

• 类比： 想象机器人的大脑里有四个不同的“笔记本”（子状态）而不是一个。一个笔记本记录颜色，另一个记录形状，第三个记录转向，第四个记录声音。
• 魔力所在： 一个特殊的“指挥家”（可学习的权重）决定在任何给定时刻应该听取多少来自每个笔记本的信息。如果机器人正在寻找一个“红色的盒子”，指挥家可能会调大“颜色”笔记本的音量，并调低“声音”笔记本的音量。

这个 WSLA 系统最终成为了冠军。

• 在 HM3D-OVON 模拟（一个大规模、真实的 3D 房屋数据集）中，WSLA 机器人的成功率达到了 36.4%。
• 最好的 Transformer 模型仅达到了 30.1%。
• 这是一个 6.3 个百分点的提升，这在这一领域是非常巨大的进步。

为什么这很重要：距离与现实生活

研究人员还观察了机器人的导航方式。他们发现，新系统在长距离航行中表现尤为出色。

• 短途旅行： 两种机器人表现都还可以。
• 长途旅行： Transformer 机器人经常迷路或过早放弃。然而，WSLA 机器人却能保持冷静。它在成功导航距离达 15 米或以上 的任务中，成功率达到了 14.36%，而 Transformer 仅为 6.68%。

但真正的考验是将它从计算机带入现实世界。团队将他们的 LANav 系统安装在了一台 Unitree Go2 机器人（一台真实的物理机器人狗）上。他们要求它在真实的房间里寻找诸如垃圾桶、植物或椅子之类的东西。

• 他们进行了 50 次试验。
• 机器人成功完成了 41 次。
• 这意味着在现实世界中的成功率高达 82%！

这证明了“流式记忆”的思想不仅仅是一个酷炫的计算机技巧；它对于在真实空间中移动的机器人确实有效，能够处理现实生活的复杂性。

总结

论文表明，对于试图在复杂且未知的环境中寻找路径的机器人来说，旧的“重读一切”的方法（Transformers）可能不是最好的工具。相反，一种以结构化、流式方式更新记忆的方法（线性注意力），尤其是通过多个专业化子记忆进行增强（WSLA），要有效得多。它更快，在长距离航行中扩展性更好，而且最重要的是，当你把它放在现实房间里的机器人狗身上时，它确实有效。机器人导航的未来可能不在于记住更多的历史，而在于如何更好地记住它。