Este artículo aborda el problema de cómo los robots pueden acumular conocimiento sobre su entorno durante largos periodos (días, semanas, meses) y utilizarlo para brindar un mejor apoyo a los humanos. En particular, presentamos una novedosa tarea denominada respuesta a preguntas encarnadas activas a largo plazo (LA-EQA), que requiere que los robots recuerden experiencias pasadas y exploren activamente su entorno para responder a preguntas complejas basadas en el tiempo. A diferencia de los enfoques de EQA existentes, que se centran en comprender el entorno actual o recordar una sola observación pasada, LA-EQA debe considerar estados pasados, presentes y futuros para determinar cuándo explorar, cuándo recurrir a la memoria, cuándo detener la recopilación de observaciones y cuándo proporcionar una respuesta definitiva. Los enfoques estándar de EQA basados en modelos grandes presentan dificultades en este contexto debido a las ventanas de contexto limitadas, la falta de memoria persistente y la dificultad para combinar la recuperación de la memoria con la exploración activa. Para abordar esto, proponemos un sistema de memoria robótica estructurada inspirado en la técnica del palacio mental de la ciencia cognitiva. Codificamos experiencias episódicas en instancias del mundo basadas en grafos de escena, creando algoritmos de inferencia y planificación que permiten la recuperación de memoria orientada a objetivos y la navegación guiada. Para equilibrar la exploración y la recuperación, introducimos un criterio de parada de información basado en valores para determinar si el agente ha recopilado suficiente información. Evaluamos el método mediante experimentos prácticos e introducimos nuevos puntos de referencia que abarcan entornos de simulación populares y emplazamientos industriales reales. El método propuesto muestra mejoras significativas tanto en la precisión de las respuestas como en la eficiencia de la exploración con respecto a los modelos de referencia de vanguardia.
