GROVE：串流視訊驅動的時間分層記憶框架，實現主動與被動兼具的穿戴式智慧助理

本研究提出免訓練的 GROVE 框架，透過時間分層技術將視訊流轉化為可檢索的記憶結構，統一了穿戴式裝置在問答回溯與主動情境協助上的表現，顯著提升長時段任務的處理效能。

Problem

目前的視訊記憶系統多半僅支援被動式的問答檢索，且主動式助理通常將記憶與控制機制分開處理。這使得穿戴式裝置難以在理解視覺歷史的同時，自動判斷當前情境是否需要調用過去的記憶來輔助現狀。

開發免訓練的 GROVE 框架，能從連續視訊串流中逐步建構因果記憶。系統將細粒度的感知證據整合為具時間戳記的時刻、連貫的事件片段及跨日重複模式，並為不同層級配備專屬的檢索技能，同時支援使用者提問（被動）與當前情境觸發（主動）的記憶存取。

在 MM-lifelong 與 EgoServe 等多項挑戰性基準測試中，GROVE 的表現均優於現有方法。消融實驗證實，時間分層結構與其檢索技能具備高度互補性，特別是「跨日模式」在處理跨越多天的觀察證據時，能提供最顯著的效能增益。

此研究展示了如何透過統一的記憶與存取介面，讓人工智慧助理同時具備反應式問答與主動式協助的能力。這為穿戴式裝置在複雜、長時段的人類生活場景中，實現更直覺且智慧化的互動奠定了重要基礎。