SpatialMem：具有度量锚定和快速检索的统一三维记忆

本文提出了一种以记忆为中心的系统SpatialMem，将三维几何、语义和语言统一为可查询的表示形式。该系统从随意捕获的第一人称RGB视频开始，重建出符合度量尺度的室内环境，并检测结构化的三维锚点（如墙壁、门、窗）作为第一层框架，同时构建一个分层记忆系统，其中包含开放词汇的对象节点，将证据片段、视觉嵌入和双层文本描述链接到三维坐标中，实现紧凑存储和快速检索。这一设计支持对空间关系（如距离、方向、可见性）的可解释推理，并支持无需专用传感器的语言引导导航和对象检索任务。实验表明，在三种真实室内场景中，即使在杂乱和遮挡增加的情况下，SpatialMem仍能保持较高的锚点-描述级导航完成率和分层检索准确性，提供了一个高效且可扩展的具身空间智能框架。