记忆引导的视图优化用于动态人在回路具身问答

针对动态有人场景中视觉证据的非平稳性问题，传统具身问答（EQA）的累积策略易导致冗余和高推理成本。本文提出 DynHiL-EQA 数据集及 DIVRR 框架，通过相关性引导的视图优化与自适应记忆选择，在提交前验证模糊观测并仅保留信息量大的证据。该方法有效解决了视角遮挡引发的歧义，实现了紧凑记忆下的高效推理，在动态和静态设置中均优于现有基线。