論文の概要: ME-Brain-1.0: Memory, Cognition and Action for Evolving Embodied Intelligence
- arxiv url: http://arxiv.org/abs/2609.24271v2
- Date: Tue, 29 Sep 2026 08:20:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.51129
- Title: ME-Brain-1.0: Memory, Cognition and Action for Evolving Embodied Intelligence
- Title（参考訳）: ME-Brain-1.0: 記憶・認知・行動
- Abstract要約: MachEm-Brain(ME-Brain)は、閉じた行動実行、経験獲得、経験進化、改善された実行のループを中心に構成された自己進化型実施システムである。
Evolvable Memoryはマルチモーダルトラジェクトリを階層的で再利用可能なエクスペリエンスに集約する。
Action Modelは、イベント駆動の計算、EventCellのローカルワールド予測、およびアクション条件のメモリ変調を組み合わせて、決定クリティカルなモーメント、リージョン、歴史的なエビデンスにフォーカスする。
- 参考スコア（独自算出の注目度）: 26.86497590862839
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current embodied systems largely rely on pretrained capabilities that remain fixed after deployment, limiting their ability to learn from physical interaction. We introduce MachEmbodied-Brain (ME-Brain), a self-evolving embodied system organized around a closed loop of action execution, experience acquisition, experience evolution, and improved execution. Evolvable Memory consolidates multimodal trajectories into hierarchical, reusable experience; Cognitive Core transforms physical experience into transferable skills; and the Action Model combines event-driven keyframes, EventCell local-world prediction, and action-conditioned memory modulation to focus computation on decision-critical moments, regions, and historical evidence. Together, these modules shift embodied intelligence from train-and-freeze to deploy-and-evolve without model retraining. Cognitive Core outperforms the strongest comparison models by 8.2 and 9.6 points on embodied and agent benchmarks. The Action Model achieves 47.88% mean success on RoboMME, a 3.26-point improvement over the strongest baseline. On RoboDojo, it reaches a 21.51 mean Score and 16.03% success rate, exceeding $π_{0.5}$ by 10.10 and 9.12 points. On the six-task ME-RealBench, ME-Brain achieves a 69.5 mean Score and 66.7% success rate, outperforming DM0.5 by 12.8 and 11.7 points, respectively.
- Abstract（参考訳）: 現在の実施システムは、デプロイ後に修正されたままの事前訓練された機能に大きく依存しており、物理的なインタラクションから学ぶ能力を制限する。
動作実行のクローズドループ,経験獲得,経験進化,実行改善を中心に構成された,自己進化型実施システムであるMachEmbodied-Brain(ME-Brain)を紹介する。
Evolvable Memoryはマルチモーダルなトラジェクトリを階層的で再利用可能なエクスペリエンスに集約し、Cognitive Coreは物理体験をトランスファー可能なスキルに変換する。Action Modelはイベント駆動のキーフレーム、EventCellのローカルワールド予測、アクション条件付きメモリ変調を組み合わせて、決定クリティカルな瞬間、リージョン、歴史的なエビデンスに計算を集中させる。
これらのモジュールは共に、インボディードインテリジェンスを、モデルの再訓練なしに、列車とフリーズから展開と進化へとシフトさせる。
Cognitive Coreは8.2と9.6のベンチマークとエージェントベンチマークで最強の比較モデルを上回っている。
アクションモデルは、最強のベースラインよりも3.26ポイントの改善であるRoboMMEで47.88%の平均的な成功を達成した。
RoboDojoでは21.51の平均スコアと16.03%の成功率に達し、π_{0.5}$10.10および9.12ポイントを超える。
6タスクのME-RealBenchでは、平均スコア69.5、成功率66.7%を達成し、それぞれDM0.5を12.8倍、1.7ポイント上回る。
関連論文リスト
- Zeva-Ego: Egocentric Mid-Training with In-Context Causal Learning for Robot Manipulation [18.89417455448077]
エゴセントリックビデオは、物理的なインタラクション体験のスケーラブルなソースを提供するが、それをロボットが実行可能な知識に変換することは難しい。
我々は,人間の経験から身体的先行を学習し,ロボットのインタラクションを通じて進化する統合フレームワークであるZeva-Egoを紹介した。
論文 参考訳（メタデータ） (2026-09-21T11:01:29Z) - MindMemOS: A Portable and Self-Evolving Memory Operating Layer for AI Agents [31.48763155266752]
メモリはAIエージェントの中核的なコンポーネントであり、経験の蓄積、パーソナライゼーションの維持、長期的なインタラクションへの適応を可能にする。
我々はMindMemOSについて述べる。MindMemOSは、オープンワールド情報を統一されたエンティティプロパティー時間構造を用いて整理する、ポータブルで自己進化的なメモリ操作層である。
MindMemOSはシナリオ適応型メモリモデリング、高次パターン発見、自律型メモリリファインメント、継続的なスキル進化をサポートする。
論文 参考訳（メタデータ） (2026-08-12T11:29:49Z) - Skills in Weights, Memory in Code: Hybrid Learning for Memory-Dependent Robot Manipulation [12.918310076135313]
実世界の操作は、しばしば非マルコフ的であり、ロボットがタスク関連情報を保持し、推論することを要求する。
我々は,コーディングエージェントの推論とメモリ管理機能を活用したハイブリッド学習フレームワークHyMeSを提案する。
RoboMemArenaでは、平均累積成功率を52.5%から66.2%に改善し、平均タスク成功率を41.3%から60.1%に上回り、PrediMemの累積成功率4.5ポイント、タスク成功率14.5ポイントを上回っている。
論文 参考訳（メタデータ） (2026-08-10T10:35:47Z) - Mimir: A Neuro-Symbolic Memory System with Dynamic Grounding for Embodied Agents in Interactive Environments [15.524473346555395]
ロングホライゾン・エンボディド・タスクでは、エージェントは部分的な観察可能性の下で行動し、シーンの信念と実行の進捗を保ちながら行動する必要がある。
タスクメモリからワールドメモリを分離し,各アクションの前に動的に記憶する,ニューロシンボリックメモリであるMimirを紹介する。
試験されたバックボーン全体で、ミミルはEB-ALFREDとEB-Habitatのタスクを常に改善し、最大利得は42.5%、平均利得は23.0%である。
論文 参考訳（メタデータ） (2026-08-05T14:57:24Z) - Hy-Embodied-VLM-1.0: Efficient Physical-World Agents [60.26641387128157]
Hy-Embodied-VLM-1.0は、エンボディエージェントの効率的で強力なエンボディド基礎モデルである。
我々はHy3-A3B言語バックボーンとHy3-ViT2ビジョンエンコーダのモデルを構築した。
我々は,Hy-Embodied-VLM-1.0を,具体的知覚,物理世界理解,具体的推論を含む38のベンチマークスイートで評価した。
論文 参考訳（メタデータ） (2026-07-14T15:34:17Z) - ACE-Brain-0.5: A Unified Embodied Foundational Model for Physical Agentic AI [110.18670135256235]
Embodied AIは、独立した知覚やアクションモジュールから、目標を理解し、計画し、進捗を監視し、経験から改善する物理的なエージェントへと移行している。
ACE-Brain-0.5は,ロボットの知性を5つの結合関数にまとめる統一的な基礎モデルである。
単一の8Bバックボーンは、最初の4つの機能をインスタンス化する: オブジェクトとアベイランスを接地し、3Dとエゴセントリックな空間関係を推論し、命令をサブゴールに分解し、ナビゲーションと操作アクションを生成し、検証と回復の進捗を推定する。
論文 参考訳（メタデータ） (2026-07-05T17:43:06Z) - OPD-Evolver: Cultivating Holistic Agent Evolver via On-Policy Distillation [71.57258488733974]
メモリは、自己進化エージェントの標準的な基盤になっているが、その経験を維持することは、それを通して進化する方法を学ぶことと同じではない。
OPD-Evolver(英語版)は、政策上の自己蒸留を通じて、そのようなエージェントを進化させる緩やかな共進化フレームワークである。
論文 参考訳（メタデータ） (2026-06-16T07:33:53Z) - Dynamic Mixture of Latent Memories for Self-Evolving Agents [57.20419419302731]
MoLEMは、動的混合(MoE)に基づく潜在メモリフレームワークの生成混合物である。
我々は、数学、科学、コードドメインにまたがる連続的な学習シーケンスに基づいて、このフレームワークを訓練する。
連続学習を完了した後、Vanilla事前学習ベースラインよりも平均精度を10.40%向上させる。
論文 参考訳（メタデータ） (2026-05-21T03:35:10Z) - MemEvolve: Meta-Evolution of Agent Memory Systems [66.09735157017558]
自己進化型メモリシステムは、大型言語モデル(LLM)ベースのエージェントの進化パラダイムを前例のない形で再構築している。
MemeEvolveは、エージェントの経験的知識とメモリアーキテクチャを共同で進化させるメタ進化フレームワークである。
EvolveLabは、12の代表的なメモリシステムをモジュール設計空間に蒸留する、統一された自己進化型メモリである。
論文 参考訳（メタデータ） (2025-12-21T14:26:14Z) - 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。