ロボットが複数のシーンを通じて継続的に学習しながらナビゲーションを行う際、新しい環境への適応と過去の知識の保持のバランスをとることは極めて困難な課題です。このような継続学習における破壊的忘却（catastrophic forgetting）と多様な環境への適応の課題に対応するため、研究チームが提案したのが「Hyperbolic Dynamic Cluster Memory（HyperDCM）」という革新的なメモリ機構です。 HyperDCMは、拡散政策（diffusion policy）に基づくナビゲーションを強化するために、シーングラフモデリングと原理的なメモリリプレイを組み合わせた構造認識型のメモリ機構です。システムはまず大規模な視覚言語モデルを用いてRGB画像から意味的なシーントリプル（semantic scene triples）を抽出し、これらを関係グラフ畳み込みネットワーク（R-GCN）を通じてシーングラフ埋め込みにエンコードします。その後、これらの埋め込みを双曲空間に投影することで、継続的なナビゲーション環境において構造的分離性と知識保持を強化しています。 記憶リプレイのための代表的なサンプル選択には、動的クラスタリングと構造感応的な更新戦略が採用されており、知識の多様性を保持しながら破壊的忘却を軽減します。室内外の複数シーンデータセットを用いた実験結果は、HyperDCMが従来の継続学習手法と比べて、過去のナビゲーション能力の優れた保持と改善された一般化性能を実現していることを示しています。