面向高效机器人导航的空间记忆表示综述

随着基于视觉的机器人在更大环境中的导航，其空间记忆将无限增长，最终耗尽计算资源，尤其是在嵌入式平台（8-16GB共享内存，<30W）上无法通过增加硬件来解决。本综述涵盖 88 项参考文献中 52 个系统（1989-2025），从占用网格到神经隐式表示，考察了空间记忆效率问题。我们提出了 $\alpha = M_{\text{peak}} / M_{\text{map}}$，即峰值运行时内存（操作期间消耗的总 RAM 或 GPU 内存）与保存地图大小（写入磁盘的持久性检查点）之比，揭示了已发表地图大小与实际部署成本之间的差距。在 NVIDIA A100 GPU 上进行的独立剖析表明，$\alpha$ 在神经方法内部跨越两个数量级，从 2.3（Point-SLAM）到 215（NICE-SLAM，其 47MB 地图在运行时需要 10GB），显示内存架构而非范式标签决定了部署可行性。我们提出了一套标准化评估协议，包括内存增长率、查询延迟、内存完整性曲线和吞吐量下降，当前基准测试均未覆盖这些指标。通过显式基准分离的帕累托前沿分析，我们显示在其评估范围内没有单一范式占据主导地位：3DGS 方法在 Replica 上以 90-254MB 地图大小实现最佳绝对精度，而场景图在可预测成本下提供语义抽象。我们提供了首个独立测量的 $\alpha$ 参考值，并提出一种 $\alpha$-感知的预算算法，使实践者可在目标硬件上进行部署可行性评估。