論文の概要: RMBench: Memory-Dependent Robotic Manipulation Benchmark with Insights into Policy Design

• arxiv url: http://arxiv.org/abs/2603.01229v1
• Date: Sun, 01 Mar 2026 18:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.580155
• Title: RMBench: Memory-Dependent Robotic Manipulation Benchmark with Insights into Policy Design
• Title（参考訳）: RMBench: メモリ依存型ロボットマニピュレーションベンチマーク
• Authors: Tianxing Chen, Yuran Wang, Mingleyang Li, Yan Qin, Hao Shi, Zixuan Li, Yifan Hu, Yingsheng Zhang, Kaixuan Wang, Yue Chen, Hongcheng Wang, Renjing Xu, Ruihai Wu, Yao Mu, Yaodong Yang, Hao Dong, Ping Luo,
• Abstract要約: RMBenchは、メモリの複雑さの複数のレベルにまたがる9つの操作タスクからなるシミュレーションベンチマークである。 Mem-0は、制御アブレーション研究をサポートするために設計された明示的なメモリコンポーネントを備えたモジュラー操作ポリシーである。 既存のポリシにおけるメモリ関連の制限を特定し、アーキテクチャ設計の選択がメモリパフォーマンスに与える影響に関する実証的な洞察を提供する。
• 参考スコア（独自算出の注目度）: 77.30163153176954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic manipulation policies have made rapid progress in recent years, yet most existing approaches give limited consideration to memory capabilities. Consequently, they struggle to solve tasks that require reasoning over historical observations and maintaining task-relevant information over time, which are common requirements in real-world manipulation scenarios. Although several memory-aware policies have been proposed, systematic evaluation of memory-dependent manipulation remains underexplored, and the relationship between architectural design choices and memory performance is still not well understood. To address this gap, we introduce RMBench, a simulation benchmark comprising 9 manipulation tasks that span multiple levels of memory complexity, enabling systematic evaluation of policy memory capabilities. We further propose Mem-0, a modular manipulation policy with explicit memory components designed to support controlled ablation studies. Through extensive simulation and real-world experiments, we identify memory-related limitations in existing policies and provide empirical insights into how architectural design choices influence memory performance. The website is available at https://rmbench.github.io/.
• Abstract（参考訳）: ロボット操作のポリシーは近年急速に進歩しているが、既存のほとんどのアプローチはメモリ能力を限定的に考慮している。 その結果,実世界の操作シナリオにおいて一般的な要件である,歴史的観察の推論やタスク関連情報の時間的維持を必要とするタスクの解決に苦慮している。 いくつかのメモリ対応ポリシーが提案されているが、メモリ依存操作の体系的評価は未定であり、アーキテクチャ設計の選択とメモリ性能との関係はよく分かっていない。 このギャップに対処するために, RMBenchという, 複数レベルのメモリ複雑性にまたがる9つの操作タスクからなるシミュレーションベンチマークを導入し, ポリシーメモリ能力の体系的評価を可能にした。 さらに,制御アブレーション研究を支援するために設計された明示的なメモリコンポーネントを備えたモジュール操作ポリシーであるMem-0を提案する。 シミュレーションや実世界の実験を通じて、既存のポリシーにおけるメモリ関連の制約を特定し、アーキテクチャ設計の選択がメモリ性能に与える影響に関する実証的な洞察を提供する。 ウェブサイトはhttps://rmbench.github.io/.comで公開されている。

関連論文リスト

• RoboMME: Benchmarking and Understanding Memory for Robotic Generalist Policies [54.23445842621374]
  記憶は、長い水平と歴史に依存したロボット操作にとって重要である。 近年,視覚言語アクション(VLA)モデルにメモリ機構が組み込まれ始めている。 本稿では,VLAモデルの評価と進展のための大規模標準ベンチマークであるRoboMMEを紹介する。
  論文  参考訳（メタデータ） (2026-03-04T21:59:32Z)
• AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
  AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。 我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
  論文  参考訳（メタデータ） (2026-03-02T15:15:11Z)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)
• MetaMem: Evolving Meta-Memory for Knowledge Utilization through Self-Reflective Symbolic Optimization [57.17751568928966]
  自己進化型メタメモリでメモリシステムを拡張するフレームワークであるMetaMemを提案する。 メタメモリ最適化の間、MetaMemは異なるタスク間で伝達可能な知識利用経験を反復的に蒸留する。 大規模な実験ではMetaMemの有効性が示され、これは強いベースラインを3.6%以上上回っている。
  論文  参考訳（メタデータ） (2026-01-27T04:46:23Z)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• AtomMem : Learnable Dynamic Agentic Memory with Atomic Memory Operation [40.1709026042412]
  本稿では,メモリ管理を動的意思決定問題として再設計するAtomMemを提案する。 教師付き微調整と強化学習を組み合わせることで、AtomMemは、メモリの振る舞いをオーケストレーションする自律的なタスク整合ポリシーを学ぶ。 3つの長期コンテキストベンチマークの実験結果から、トレーニング済みのAtomMem-8Bは、従来の静的ワークフローメモリメソッドよりも一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-01-13T08:22:28Z)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• Multiple Memory Systems for Enhancing the Long-term Memory of Agent [9.43633399280987]
  MemoryBankやA-MEMといった既存の手法は、記憶されているメモリの質が劣っている。 我々は認知心理学理論にインスパイアされた多重記憶システムを設計した。
  論文  参考訳（メタデータ） (2025-08-21T06:29:42Z)
• Learning to Actively Reduce Memory Requirements for Robot Control Tasks [4.302265156822829]
  ロボットを制御するための最先端のアプローチは、しばしばタスクに過剰にリッチなメモリ表現を使用するか、手作りのトリックをメモリ効率に頼っている。 この研究は、メモリ表現とポリシーを共同で合成するための一般的なアプローチを提供する。
  論文  参考訳（メタデータ） (2020-08-17T16:20:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。