論文の概要: MessyMem: Learning-from-Doing Memory for Mobile Manipulation
- arxiv url: http://arxiv.org/abs/2609.15976v1
- Date: Mon, 14 Sep 2026 17:56:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.576388
- Title: MessyMem: Learning-from-Doing Memory for Mobile Manipulation
- Title（参考訳）: MessyMem: モバイル操作のためのメモリからの学習
- Abstract要約: MessyMemは、モバイルマニピュレータが経験から学び、将来のタスクでその知識を再利用できる永続メモリシステムである。
MessyMemは、モバイルマニピュレータが経験から学び、将来のタスクでその知識を再利用できる永続記憶システムである。
- 参考スコア（独自算出の注目度）: 12.915040804075282
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mobile manipulators deployed across many rooms and visits should improve with experience: after discovering that a cabinet is locked or finding an object in a drawer, the robot should reuse that knowledge rather than start each task from scratch. Yet today's robots often treat each task as new: compact scene representations omit interaction-derived knowledge, raw video histories are difficult to query, and VLM planners reason at inference time without persistently updating what the robot knows. We present MessyMem, a persistent memory system that enables mobile manipulators to learn from experience and reuse that knowledge across future tasks. It maintains a spatially grounded 3D scene graph of objects and locations, augments it with properties and outcomes learned through interaction, and links visual observations for fine-grained recall. We evaluate MessyMem in simulation and on a real mobile manipulator. In a continuous 25-task simulation spanning over 3 hours, MessyMem achieves 80.0% task progress, outperforming the strongest ablation by 14.8 percentage points and the strongest external baseline by 28.9 points, while retrieving task-relevant evidence from thousands of stored keyframes and over an hour into the past.
- Abstract（参考訳）: キャビネットがロックされていることを発見したり、引き出しの中に物を見つけたりすると、ロボットは各タスクをゼロから始めるのではなく、その知識を再利用する。
コンパクトなシーン表現は相互作用に由来する知識を省略し、生のビデオ履歴はクエリが難しい。
MessyMemは、モバイルマニピュレータが経験から学び、将来のタスクでその知識を再利用できる永続記憶システムである。
オブジェクトと位置の空間的に接地された3Dシーングラフを保持し、インタラクションを通じて学習した特性と結果を拡張し、視覚的な観察をきめ細かなリコールにリンクする。
シミュレーションおよび実際の移動マニピュレータ上でのMessyMemの評価を行う。
3時間以上の連続25タスクシミュレーションでは、MessyMemは80.0%のタスク進捗を達成し、最強のアブレーションを14.8ポイント、最強の外部ベースラインを28.9ポイント上回った。
関連論文リスト
- Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering [93.80043825360514]
EQA(Embodied Question answering)は、伝統的にエピソードの定式化の下で評価され、エージェントは各タスクを独立して解決し、エピソード間の内部状態をリセットする。
EQAエージェントを逐次評価する際に異なるメモリアーキテクチャがどのように振る舞うかを検討する。
既存のメモリを単純に保存することは、しばしば不十分である。
連続したシーン表現の視覚的意味的証拠を3次元幾何学にマッピングするアーキテクチャについて, 構造的, 空間的基盤的記憶の必要性を強調した。
論文 参考訳（メタデータ） (2026-07-23T17:50:45Z) - Remember what you did?: Learning Behavioral Memories for Partially Observable Object Manipulation [1.5192151934554061]
圧縮行動記憶ポリシー(CAMP)について紹介する。
CAMPは、ロボット自身の行動履歴が、高度に情報的かつ自己管理的な信号として機能する、という洞察に基づいている。
CAMPを4つの実ロボット・セットアップと2つの新しいシミュレーション・ベンチマークで評価した。
論文 参考訳（メタデータ） (2026-06-19T07:56:58Z) - 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) - 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) - 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) - Experience is the Best Teacher: Grounding VLMs for Robotics through Self-Generated Memory [16.53566194731369]
本稿では,視覚言語モデル(VLM)を現実体験の自己生成記憶を構築することで,ロボットに基盤付ける枠組みを提案する。
ExpTeachでは、VLMは自律的にアクションを計画し、結果を検証し、失敗を反映し、クローズドループでロボットの動作に適応する。
実験では、4つの困難なロボット作業において、リフレクションは成功率を36%から84%に改善することを示した。
論文 参考訳（メタデータ） (2025-07-22T15:48:49Z) - Towards General Purpose Robots at Scale: Lifelong Learning and Learning to Use Memory [0.0]
このテーマは、記憶と生涯学習という、長い時間をかけて動くロボットにとっての2つの重要な課題に対処することに焦点を当てている。
まず,連続世界ベンチマークにおける最先端性能を実現するトラジェクトリベースディープ生成再生法であるt-DGRを紹介する。
第2に,人間の実演を利用してエージェントに効果的なメモリ利用を教えるフレームワークを開発する。
論文 参考訳（メタデータ） (2024-12-28T21:13:48Z) - Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。
学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
論文 参考訳（メタデータ） (2022-11-16T16:26:48Z) - Learning Object-Based State Estimators for Household Robots [11.055133590909097]
我々は高次元観測と仮説に基づいてオブジェクトベースのメモリシステムを構築する。
シミュレーション環境と実画像の両方において動的に変化するオブジェクトの記憶を維持するシステムの有効性を実証する。
論文 参考訳（メタデータ） (2020-11-06T04:18:52Z) - Visual Imitation Made Easy [102.36509665008732]
本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。
我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。
我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
論文 参考訳（メタデータ） (2020-08-11T17:58:50Z)
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。