持久空间记忆让具身智能体能够在多次访问中在熟悉的环境中导航。然而，目标物体可能在未被观察到的期间移动，甚至在导航过程中移动，使得记忆中的位置在到达时变得不可靠。我们将此问题定义为演化世界导航：智能体需从间歇观测中推断目标位置，预测其在检查时的状态，并在获得视觉证据后修正信念。
我们提出 EvolvingNav，它通过时间戳的 3D 目标历史构建时间索引信念，并采用结构化的持久‑迁移模型。该模型将目标在上一次观测位置的持久性与迁移到其他候选位置的可能性区分开，同时保留未知位置的概率质量。
一个事件驱动的滤波器在时间流逝时传播当前信念，预测目标在候选检查时间的占据概率，并融合新的 RGB‑D 观测。负向观测会根据校准的、受可视性影响的检测概率下调相应位置假设；证据追踪机制防止同一观测被重复利用。随后，一个冻结的零样本视觉‑语言控制器使用更新后的信念选择动作并重新规划路径。
为了评估，我们构建 EvoWorld‑Bench 基准，基于真实人类活动轨迹，包含 54 个场景、803 680 条任务，并在导航前后引入受控变化。实验在仿真和真实机器人平台上进行，结果显示 EvolvingNav 在成功率和搜索效率上均优于所有对比基线。配对实验表明，在可学习的时间模式下收益最为显著，消融实验验证了保留不确定性和引入可视性感知证据的价值。
点评