論文の概要: StateMem: Single-State Residual Memory with Adaptive Inference for Vision-Language-Action Policies

• arxiv url: http://arxiv.org/abs/2609.22684v1
• Date: Sat, 19 Sep 2026 01:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.518226
• Title: StateMem: Single-State Residual Memory with Adaptive Inference for Vision-Language-Action Policies
• Title（参考訳）: StateMem: Vision-Language-Action Policiesに対する適応推論を備えた単一状態残差メモリ
• Abstract要約: StateMemは、視覚言語アクション(VLA)ポリシーのための単一の状態残留メモリフレームワークである。 予測エラーを使用して、低ランクな残差を通じて永続的なメモリトークンを更新し、キャッシュされたプレフィックスを適応的にルーティングする。 LIBERO,RoboMemArena,および実世界の操作タスクのStateMemを評価する。
• 参考スコア（独自算出の注目度）: 4.279491410987998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory-dependent robotic manipulation often requires later actions to use information from earlier interactions. Existing vision-language-action (VLA) policies primarily rely on current observations, limiting historical information retention. Memory-augmented VLAs, such as MemoryVLA, address this limitation with external memory banks but require explicit storage and retrieval. To address these limitations, we propose StateMem, a single-state residual memory framework for VLA policies that uses prediction error to update a persistent memory token through low-rank residuals and to adaptively route cached prefixes. A training-free controller adjusts the routing threshold online, while fast correction compensates for stale prefix features during cache reuse. We evaluate StateMem on LIBERO, RoboMemArena, and real-world manipulation tasks. On LIBERO, StateMem achieves an average success rate of 97.6% and reduces the average VLM prefix refresh rate by 20.25% relative to full refresh. In the Occlusion category of RoboMemArena, StateMem achieves the best performance among single-VLA methods, reaching 21.8% Task Success Rate (TSR) and 44.3% Cumulative Success Rate (CSR). Across six real-world manipulation tasks, it achieves +21% in average success rate.
• Abstract（参考訳）: メモリに依存したロボット操作は、しばしば初期のインタラクションの情報を使用するために後続のアクションを必要とする。 既存の視覚言語アクション(VLA)ポリシーは、主に現在の観測に依存し、歴史的情報の保持を制限する。 MemoryVLAのようなメモリ拡張VLAは、外部メモリバンクとのこの制限に対処するが、明示的なストレージと検索を必要とする。 これらの制約に対処するため,VLAポリシ用の単一状態残差メモリフレームワークであるStateMemを提案し,予測エラーを用いて,低ランク残差による永続メモリトークンの更新とキャッシュしたプレフィックスの適応的ルーティングを行う。 トレーニング不要のコントローラは、ルーティングしきい値をオンラインで調整し、高速な修正はキャッシュ再利用時に古いプレフィックスの特徴を補償する。 LIBERO,RoboMemArena,および実世界の操作タスクのStateMemを評価する。 LIBEROでは、StateMemは平均97.6%の成功率を獲得し、平均的なVLMプレフィックス更新率をフルリフレッシュと比較して20.25%削減する。 RoboMemArenaのOcclusionカテゴリでは、StateMemはシングルVLAメソッドの中で最高のパフォーマンスを達成し、タスク成功率(TSR)は21.8%、累積成功率(CSR)は44.3%に達した。 6つの実世界の操作タスクで、平均成功率は21%である。

関連論文リスト

• Retrieve in Time, Correct in Frequency [14.108343620177314]
  トレーニング不要なテスト時間補正フレームワークであるRTCF(Retrieve in Time, Correct in Frequency)を紹介する。 RTCFは、どのアクションのどの部分を転送するかを、どのエクスペリエンスから取得するかを分離する。 総成功率は86.4%から88.4%に上昇し、LIBERO-Longは61.6%から68.6%に向上した。
  論文  参考訳（メタデータ） (2026-08-05T06:58:00Z)
• NativeMEM: Native Memory Compression for Long-Horizon Robotic Manipulation [22.20970271577043]
  我々は、長期およびリアルタイムに更新されたメモリを特徴付けるNativeMEMを提供する。 NativeMEMは、従来の手法を一貫して上回り、シミュレーションでは32.4%から84.0%に、実際のロボットでは98.7%に向上した。
  論文  参考訳（メタデータ） (2026-07-07T18:00:53Z)
• 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)
• $μ$VLA: On Recurrent Memory for Partially Observable Manipulation in VLA Models [44.66763491853812]
  本研究は,VLA背骨の再発の制御的分離について検討した。 我々の定式化は、タイムステップにまたがる学習可能なメモリトークンの小さなセットでトランスフォーマーを強化します。 我々はこれらの結果を,背骨内再発の最小限のエンベロープの校正と解釈する。
  論文  参考訳（メタデータ） (2026-06-10T13:26:40Z)
• RePO-VLA: Recovery-Driven Policy Optimization for Vision-Language-Action Models [90.39703013636868]
  RePO-VLAは、リカバリ駆動のポリシー最適化フレームワークである。 成功、回復、失敗の軌跡に異なる役割を割り当てる。 対人的な成功は、平均で20%から75%、実世界の規模で80%まで上昇する。
  論文  参考訳（メタデータ） (2026-05-10T08:24:05Z)
• MemPO: Self-Memory Policy Optimization for Long-Horizon Agents [52.00646524941419]
  既存のメソッドは通常、外部メモリモジュールを導入し、格納されたメモリから関連する情報を検索する。 本稿では,自己記憶ポリシー最適化アルゴリズム(MemPO)を提案する。 MemPOはF1の絶対スコアが25.98%、SOTAベースラインが7.1%、トークン使用率が67.58%、73.12%である。
  論文  参考訳（メタデータ） (2026-02-28T14:43:02Z)
• NextMem: Towards Latent Factual Memory for LLM-based Agents [58.35585202907478]
  NextMemは、自動回帰型オートエンコーダを使用して、潜時メモリを効率的に構築する、潜時ファクトメモリフレームワークである。 大規模な実験は、NextMemが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-26T14:35:27Z)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)

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。