論文の概要: KEMO: Event-Driven Keyframe Memory for Long-Horizon Robot Manipulation with VLA Policies

• arxiv url: http://arxiv.org/abs/2606.23589v1
• Date: Mon, 22 Jun 2026 16:57:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 17:59:59.532743
• Title: KEMO: Event-Driven Keyframe Memory for Long-Horizon Robot Manipulation with VLA Policies
• Title（参考訳）: KEMO: VLAポリシによる長軸ロボット操作のためのイベント駆動型キーフレームメモリ
• Authors: Yihan Zeng, Minghao Ye, Yiyuan Chen, Yide Shentu, Philipp Wu, Zike Yan, Zhongyu Li,
• Abstract要約: メモリはこの曖昧さに対処し、ポリシーが実行履歴からタスクの進捗を推測できるようにする。 本稿では,VLA ポリシーのタスク関連状態変化に関連するキネマティクスを自動的に保存する,軽量なプラグインメモリフレームワーク KEMO を提案する。 830ステップから2846ステップ(28秒から95秒)の軌道長と2～6サブタスクにまたがる実世界のマルチアーム操作タスクにおけるKEMOの評価を行った。
• 参考スコア（独自算出の注目度）: 14.253600207124194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon robot manipulation remains challenging because similar observations may occur at different execution stages, while the appropriate action depends on previously completed operations. Memory can address this ambiguity by enabling policies to infer task progress from execution history. However, existing memory-augmented approaches often either retain dense histories that require compression or rely primarily on recent context that may discard earlier task-relevant events. In this work, we propose propose KEMO, a lightweight plug-in memory framework that automatically selectively preserves keyframes associated with task-relevant state changes for VLA policies. KEMO combines robot kinematics with visual filtering to detect events, encodes the selected keyframes as compact temporally ordered memory tokens, and integrates them with current visual features through cross-attention and gated residual fusion for VLA training. The detected events also define higher-weight training samples near critical transitions. We evaluate KEMO on various real-world dual-arm manipulation tasks spanning 2 to 6 scored subtasks, and trajectory length ranging from 830 steps to 2846 execution steps (durations from 28 to 95 seconds). Compared with the memory-free baseline (e.g., $π_{0.5}$), KEMO improves aggregate Task Success Rate by 23.6\% and Stage Completion Rate by 34.1\%. Ablations show that event-driven keyframe selection outperforms uniform sampling and recent-frame retention, while the proposed gated fusion and keyframe-aligned loss weighting provide complementary gains.
• Abstract（参考訳）: 長い水平ロボット操作は、同様の観測が実行段階によって異なる場合があり、適切な動作は以前に完了した操作に依存するため、依然として困難である。 メモリはこの曖昧さに対処し、ポリシーが実行履歴からタスクの進捗を推測できるようにする。 しかし、既存のメモリ拡張アプローチは、圧縮を必要とする密集した履歴を保持するか、タスク関連イベントを破棄する最近のコンテキストに主に依存するかのどちらかである。 本稿では,VLAポリシーのタスク関連状態変更に関連するキーフレームを自動的に選択的に保存する軽量なプラグインメモリフレームワークであるKEMOを提案する。 KEMOはロボットキネマティクスとビジュアルフィルタリングを組み合わせてイベントを検出し、選択されたキーフレームをコンパクトな時間順のメモリトークンとしてエンコードし、VLAトレーニングのためのクロスアテンションとゲート残差融合を通じて現在の視覚的特徴と統合する。 検出されたイベントはまた、臨界遷移の近くに高い重量のトレーニングサンプルを定義する。 830ステップから2846ステップ(28秒から95秒)の軌道長と2～6サブタスクにまたがる実世界のマルチアーム操作タスクについて,KEMOを評価した。 メモリフリーのベースライン(例えば$π_{0.5}$)と比較すると、KEMOはタスク継承率を23.6\%改善し、ステージ完了率を34.1\%改善する。 アブレーションは、イベント駆動のキーフレーム選択が一様サンプリングと最近のフレーム保持を上回り、提案されたゲート融合とキーフレーム整合損失重み付けは相補的なゲインを提供することを示している。

関連論文リスト

• EventVLA: Event-Driven Visual Evidence Memory for Long-Horizon Vision-Language-Action Policies [68.812675280427]
  EventVLAは、疎視的エビデンスメモリの概念に基づいて開発されたエンドツーエンドフレームワークである。 KEMは、VLAの潜伏した埋め込みから将来の確率を直接予測し、スパースでタスククリティカルな視覚イベントを自律的にキャプチャして保存する。 対話型視覚的エビデンスで非マルコフ操作タスクを評価するための診断ベンチマークであるRoboTwin-MeMを提案する。
  論文  参考訳（メタデータ） (2026-06-18T11:11:37Z)
• Scaling Short-Term Memory of Visuomotor Policies for Long-Horizon Tasks [69.19366746169906]
  本稿では,短期記憶を利用するビジュモータポリシーのためのトランスフォーマーベースのアーキテクチャであるPRISMを提案する。 海賊フィルタは情報を取得し、関連する詳細を抑え、性能を向上する。 階層アーキテクチャは、ローカル情報をコンパクトなトークンに圧縮し、計算とメモリフットプリントを改善する。
  論文  参考訳（メタデータ） (2026-06-15T03:49:23Z)
• Planning-aligned Token Compression for Long-Context Autonomous Driving [95.59023657139208]
  条件付きVQ-VA上に構築した計画整合型ワーキングメモリフレームワークを提案する。 圧縮は歴史的軌跡と学習した計画意図の両方で条件付けられている。 歴史的文脈が行動の正確性に最も重要となる高信号動的シナリオについて評価する。
  論文  参考訳（メタデータ） (2026-06-05T17:16:21Z)
• VPWEM: Non-Markovian Visuomotor Policy with Working and Episodic Memory [31.464584758455356]
  VPWEMは、ワーキングメモリとエピソードメモリを備えた非マルコフヴィジュモータ政策である。 動作生成には短期情報とエピソードワイド情報の両方を使用し、1ステップあたりのメモリと計算がほぼ一定である。
  論文  参考訳（メタデータ） (2026-03-05T07:52:50Z)
• 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)
• Non-Markovian Long-Horizon Robot Manipulation via Keyframe Chaining [56.62125584296097]
  Keyframe-Chaining VLAは、キー履歴フレームを抽出し、長い水平依存関係をモデル化するフレームワークである。 本研究では,現在の実行フェーズに対する時間的関連性に基づいて,動的に履歴フレームを検索する進捗対応機構を設計する。 タスク成功率を測定するために,ManiSkillシミュレータ上に構築された4つの非マルコフ操作タスクスイートを紹介する。
  論文  参考訳（メタデータ） (2026-03-02T05:26:29Z)
• Resolving State Ambiguity in Robot Manipulation via Adaptive Working Memory Recoding [12.400431805327093]
  PAMはアダプティブ・ワーキング・メモリを備えた新しいビズモータ・ポリシーである。 300フレームの履歴ウィンドウをサポートし、高い推論速度を維持している。 我々は、7つのタスクを慎重に設計し、PAMが複数の状態曖昧性のシナリオを同時に処理できることを検証する。
  論文  参考訳（メタデータ） (2025-12-31T05:20:13Z)
• CronusVLA: Towards Efficient and Robust Manipulation via Multi-Frame Vision-Language-Action Modeling [84.51372201195132]
  CronusVLAは、単一フレームのVLAモデルをマルチフレームパラダイムに拡張する統合フレームワークである。 CronusVLAは70.9%の成功率で先進的な性能と優れた堅牢性を達成する。 これらの結果は、より強力で堅牢な実世界展開のためのVLAモデルにおける効率的なマルチフレーム適応の可能性を強調している。
  論文  参考訳（メタデータ） (2025-06-24T17:30:27Z)

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。