論文の概要: Dual Latent Memory in Vision-Language-Action Models for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2607.07608v1
• Date: Wed, 08 Jul 2026 16:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.461019
• Title: Dual Latent Memory in Vision-Language-Action Models for Robotic Manipulation
• Title（参考訳）: ロボットマニピュレーションのためのビジョン・ランゲージ・アクションモデルにおけるデュアル潜時記憶
• Abstract要約: ラメムVLA(LaMem-VLA)は、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)のフレームワークである。 LaMem-VLAは、メモリがVLA推論に直接参加し、コンテキスト境界下でアクション生成をガイドすることを可能にする。
• 参考スコア（独自算出の注目度）: 96.18832998704329
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mainstream Vision-Language-Action (VLA) models predict actions primarily from the current observation under a Markovian assumption, thus struggling with long-horizon, temporally dependent tasks. Existing memory-augmented VLAs either expand the observation window or retrieve history from the memory bank as auxiliary policy-side context. However, they leave memory outside the native latent embedding space of VLA reasoning, preventing historical experience from being fluidly interleaved with multimodal reasoning and action formation. To this end, we introduce LaMem-VLA, a latent-memory-native framework that reconstructs historical experience into latent memory tokens and directly interweaves them with VLA reasoning. At its core, LaMem-VLA introduces four coordinated components: (i) a curator that organizes historical experience into two complementary short-term and long-term memory vaults; (ii) a seeker that queries both vaults using the multimodal cognition to retrieve context-relevant evidence; (iii) a condenser that reconstructs the retrieved evidence into compact short-term and long-term latent memory tokens; and (iv) a weaver that injects these memory tokens with the current observation and instruction into one continuous embedding sequence. By representing, retrieving, and consuming historical experience entirely in the same continuous latent space, LaMem-VLA enables memory to directly participate in VLA reasoning and guide action generation under a bounded context. Extensive experiments on SimplerEnv and LIBERO demonstrate the superiority of our LaMem-VLA.
• Abstract（参考訳）: メインストリームビジョン・ランゲージ・アクション(VLA)モデルは、マルコフの仮定の下での現在の観測から行動を予測する。 既存のメモリ拡張VLAは観察窓を広げるか、補助的なポリシーサイドのコンテキストとしてメモリバンクから履歴を取得する。 しかし、彼らはVLA推論のネイティブな潜伏埋め込み空間の外に記憶を残し、歴史的経験がマルチモーダル推論とアクション形成によって流動的にインターリーブされることを防ぐ。 この目的のために、LaMem-VLAを紹介した。LaMem-VLAは遅延メモリネイティブフレームワークで、過去の経験を遅延メモリトークンに再構成し、VLA推論で直接織り込む。 中心となるLaMem-VLAは4つの調整されたコンポーネントを導入している。 一 歴史体験を2つの補完的短期記憶と長期記憶に整理するキュレーター 二 マルチモーダル認知を用いて両方の金庫を問合せし、文脈関連証拠を検索する捜索者 三 回収した証拠を小型の短期及び長期の潜伏メモリトークンに再構成する凝縮器 (iv)現在の観測と命令でこれらのメモリトークンを1つの連続的な埋め込みシーケンスに注入するウィーバー。 LaMem-VLAは、歴史的経験を同じ連続的な潜在空間で表現し、検索し、消費することにより、メモリが境界条件下でのVLA推論および行動生成に直接参加できるようにする。 SimplerEnvとLIBEROの大規模な実験は、LaMem-VLAの優位性を実証している。

関連論文リスト

• Remember Smarter: Visual History Compressor and Hyperbolic Experience Space for Robotic Memory [54.400138177707504]
  remember Smarter (RS) は、視覚履歴と双曲的なエクスペリエンスメモリのブランチを補完するプラグイン・アンド・プレイモジュールである。 pi0に適合すると、RSはLIBERO-Plusの総成功率を53.6%から70.6%に引き上げ、実際のロボット実験でかなりの性能向上を達成した。
  論文  参考訳（メタデータ） (2026-08-15T15:13:33Z)
• MemoryWAM: Efficient World Action Modeling with Persistent Memory [80.90899269062128]
  本稿では,効率的な永続メモリを持つ世界アクションモデルであるMemoryWAMを紹介する。 調整された注意機構は、詳細な短期コンテキストと圧縮された長期コンテキストの両方の検索を可能にする。 MemoryWAMは、シミュレーションと実世界の両方において、強力な視覚言語アクション(VLA)とWAMベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-06-18T17:59:51Z)
• 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)
• MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios [33.8882826707344]
  MemGroundは、リッチでゲーミフィケーションされたインタラクティブシナリオを基盤とした、厳格な長期メモリベンチマークである。 メモリ利用と行動軌跡の両方を包括的に定量化するために,多次元計量スイートを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:57:39Z)
• ReMem-VLA: Empowering Vision-Language-Action Model with Memory via Dual-Level Recurrent Queries [45.23935281952228]
  本稿では、2組の学習可能なクエリを備えた視覚言語アクション(VLA)モデルであるReMem-VLAを紹介する。 これらのクエリはエンドツーエンドでトレーニングされ、時間とともに関連するコンテキストを集約し、維持する。 ReMem-VLAは複数の次元にまたがる強力なメモリ能力を示す。
  論文  参考訳（メタデータ） (2026-03-13T12:38:42Z)
• Notes-to-Self: Scratchpad Augmented VLAs for Memory Dependent Manipulation Tasks [9.55115186979077]
  言語スクラッチパッドを組み込むことにより,空間記憶と時間記憶の両方を視覚言語アクション(VLA)モデルに付与する方法を示す。 本手法は,ClevrSkills環境からのメモリ依存タスクの分割,MemoryBench上でのメモリ依存タスク,そして実世界のピック・アンド・プレイスタスクにおいて評価する。
  論文  参考訳（メタデータ） (2026-02-24T15:30:55Z)
• VisMem: Latent Vision Memory Unlocks Potential of Vision-Language Models [78.88575188716378]
  VisMemはヴィジュアル・ランゲージ・モデルに動的潜在視覚記憶、微細な知覚保持のための短期モジュール、抽象的セマンティック・コンソリデーションのための長期モジュールを装備するフレームワークである。 我々の実験によると、VisMemはバニラモデルと比較して11.8%の大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-11-14T06:51:34Z)
• MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation [59.31354761628506]
  このようなタスクは本質的にマルコフ的ではないが、主流のVLAモデルはそれを見落としているため、ロボット操作には時間的コンテキストが不可欠である。 本稿では,長距離ロボット操作のためのコグニション・メモリ・アクション・フレームワークであるMemoryVLAを提案する。 本稿では,3つのロボットを対象とした150以上のシミュレーションと実世界のタスクについて評価する。
  論文  参考訳（メタデータ） (2025-08-26T17:57:16Z)

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。