강건한 로봇 자율성(robot autonomy)은 동적 환경에서 위치 추정(localization), 내비게이션(navigation), 그리고 다운스트림 의사결정(downstream decision making)을 지원할 수 있을 만큼 충분히 안정적인 장면 표현(scene representations)에 의존합니다. 단안 가우시안 스플래팅(Monocular Gaussian Splatting) SLAM은 고충실도 매핑을 제공하지만, 현재의 불확실성 인지(uncertainty-aware) 방식들은 여전히 동적 영역을 주로 프레임별 관측(per-frame observations)으로 취급합니다. 이는 표현 방식이 사실상 메모리리스(memoryless) 상태가 되게 만듭니다. 즉, 보행자가 속도를 줄이거나, 멈추거나, 폐쇄(occlusion) 후 다시 나타날 때, 현재 프레임은 정적인 것처럼 보일 수 있으며, 이로 인해 동적 콘텐츠가 맵에 흡수되어 지속적인 고스팅 아티팩트(ghosting artifacts)를 남기게 됩니다. 우리는 이러한 실패가 표현 수준의 불일치(representation-level mismatch)를 반영한다고 주장합니다. 동적 특성(Dynamic-ness)은 순간적인 외관 속성이 아니라, 동작 이력(motion history)에 의해 정의되는 시간적 속성입니다. 이러한 관점을 바탕으로, 우리는 동작 영속성(Motion Permanence)을 도입합니다. 이는 객체의 동적 정체성이 각 프레임에서 독립적으로 재결정되는 것이 아니라 시간이 지남에 따라 지속되어야 한다는 원칙입니다. 우리는 단안 가우시안 매핑을 위한 메모리 인지 불확실성 필터인 MoPe를 통해 이 원칙을 구현합니다. MoPe는 기하학적으로 일관된 SE(3) 워핑(warping)을 통해 과거의 동적 사후 확률(historical dynamic posterior)을 전파하며, 유계 베이지안 로그 오즈(bounded Bayesian log-odds) 업데이트를 사용하여 이를 현재 프레임의 증거와 융합합니다. 결과적으로 생성된 지속적인 사후 확률은 트래킹(tracking), 매핑(mapping), 동적 인지 가우시안 삽입(dynamic-aware Gaussian insertion), 그리고 가우시안 수준의 사후 정리(Gaussian-level post-cleanup)를 안내합니다. Wild-SLAM, Bonn, 그리고 TUM 시퀀스에서 MoPe는 트래킹 강건성을 향상시키고 잔류 고스팅을 줄였으며, 특히 메모리리스 가정을 가장 직접적으로 위반하는 동적 인간 장면에서 가장 큰 성능 향상을 보였습니다. 이러한 결과는 장면 표현 내부에 시간적 동적 상태를 유지하는 것이 변화하는 실제 환경에서 더욱 신뢰할 수 있는 표현 중심 자율성(representation-centric autonomy)을 향한 실질적인 단계임을 보여줍니다.