論文の概要: Benchmarking Robot Memory Under Interference

• arxiv url: http://arxiv.org/abs/2606.22338v1
• Date: Sun, 21 Jun 2026 05:06:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 18:54:43.221585
• Title: Benchmarking Robot Memory Under Interference
• Title（参考訳）: 干渉下でのロボットメモリのベンチマーク
• Authors: Soumil Rathi,
• Abstract要約: 本稿では,RoboMME上に構築されたクロスセッションベンチマークであるRoboMME-Interferenceを紹介する。 各クエリエピソードに対して、クエリの関連する事前デモンストレーションと、制御された無関係セッション数を用いてセッション履歴を構築する。 RoboMMEがリリースしたメモリ拡張された$_0.5$の変種をこのベンチマークで無修正で実行することで、知覚的なメモリ変種が障害のない履歴を与えられた場合の成功を改善するが、無関係なセッションが蓄積されるにつれて、それらは強く、着実に崩壊することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robots deployed in realistic settings will accumulate experience across many sessions and tasks over their deployment. The robot's tasks may often require it to remember information from multiple sessions ago, making long-context robot memory important for real-world deployments. However, most robot-memory benchmarks today are based on single episodes or a short context. To measure how current robot memory systems perform on longer sessions with more distractions, we introduce RoboMME-Interference, a cross-session benchmark built on RoboMME. For each query episode, we construct a session history using the query's relevant prior demonstration followed by a controlled number of unrelated sessions, which we provide to the VLA as memory and measure accuracy. Running RoboMME's released memory-augmented $π_{0.5}$ variants unmodified through this benchmark, we find that while perceptual memory variants improve success when given the history without any distractors, they decay strongly and steadily as unrelated sessions accumulate. With this release, we emphasize the importance of long-context memory and robustness to interference and show that current systems largely fail on such capabilities. The project page, videos, code, and data are at https://robotmemorybench.com.
• Abstract（参考訳）: リアルな設定でデプロイされたロボットは、デプロイを通じて多くのセッションやタスクにまたがって経験を蓄積する。 ロボットのタスクは、複数のセッションの情報を記憶する必要がしばしばあり、現実のデプロイメントにおいて、長いコンテキストのロボットメモリが重要になる。 しかし、今日のほとんどのロボットメモリベンチマークは、単一のエピソードや短いコンテキストに基づいている。 本稿では,RoboMME上に構築されたクロスセッションベンチマークであるRoboMME-Interferenceを紹介する。 各問合せエピソードに対して,クエリに関連する先行デモと制御された無関係セッション数を用いてセッション履歴を構築し,VLAをメモリとして提供し,精度を計測する。 RoboMME がリリースしたメモリ拡張 $π_{0.5}$ variant をこのベンチマークで未修正で実行すると、知覚的メモリ変種は障害のない履歴を与えられると、成功率が向上するが、無関係なセッションが蓄積されるにつれて、それらは強く、着実に崩壊する。 このリリースでは、長いコンテキストメモリの重要性と干渉に対する堅牢性を強調し、現在のシステムがそのような機能でほとんど失敗していることを示す。 プロジェクトページ、ビデオ、コード、データはhttps://robot memorybench.com.comにある。

関連論文リスト

• Worth Remembering: Surprise-Gated Robot Episodic Memory [12.101245779148316]
  本稿では,V-JEPA-2によって提供されるセマンティックにリッチなデプロイメントに依存しない潜在空間において,サプライズを計算する手法を提案する。 4次元シーングラフに基づく空間記憶を増強するために,我々のゲート型エピソードメモリを用いて,ロボット質問応答における最先端ベンチマークよりも一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-06-02T15:39:27Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• RoboMemArena: A Comprehensive and Challenging Robotic Memory Benchmark [49.16825786282095]
  記憶はロボットインテリジェンスにとって重要な要素であり、ロボットは長期のタスクを達成するために過去の観察と行動に頼る必要がある。 既存のロボットメモリベンチマークには、メモリ形成のためのマルチモーダルアノテーションがなく、タスクカバレッジと構造的複雑さが制限されており、実際の評価なしにシミュレーションに制限されている。 このギャップに対処するため、26タスクの大規模ベンチマークであるRoboMemArenaでは、タスク毎の平均軌道長が1,000ステップを超え、サブタスクの68.9%がメモリ依存である。
  論文  参考訳（メタデータ） (2026-05-11T17:54:49Z)
• 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)
• MEM: Multi-Scale Embodied Memory for Vision Language Action Models [73.3883864595845]
  本稿では,マルチスケール・エンボダイドメモリ(MEM)について紹介する。 MEMはビデオベースの短水平メモリをビデオエンコーダで圧縮し、テキストベースの長水平メモリと組み合わせている。 MEMは、キッチンを掃除したり、チーズサンドイッチを焼いたりして、最大15分間のタスクをロボットが実行できるようにする。
  論文  参考訳（メタデータ） (2026-03-04T00:03:02Z)
• MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
  メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。 マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。 MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
  論文  参考訳（メタデータ） (2026-02-18T09:49:14Z)

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。