你让机器人去卧室找药盒，它若只照旧地图走，可能扑空：药盒早被人移走，甚至会在机器人赶路时继续变化。EvolvingNav 解决的正是这种“看不见时世界仍在动”的导航问题。它建立预测性 4D 信念——在三维位置之外加入时间，对目标此刻及机器人抵达时可能在哪里保留一组带概率的猜测，而不是只记最后一次看到的位置。
最值得注意的是，它会判断“没看见”究竟算不算证据。若机器人清楚看遍桌面仍没找到药盒，就降低药盒在那里的概率；若视线被挡住，则基本保留这一可能。随着时间继续流逝，先前查过的位置还可重新变得可疑，因为目标也许后来又被放了回去。作者还让系统为不同目的地分别按预计抵达时间预测，而非出发时一次算死。其 EvoWorld-Bench 包含 54 个场景和 803,680 个任务；作者自述，优势在变化具有可学习规律时最明显。