論文の概要: OCC4M: Object-Centric 4D Memory for Spatiotemporal Reasoning in Long-Horizon Manipulation
- arxiv url: http://arxiv.org/abs/2609.28798v1
- Date: Wed, 23 Sep 2026 21:23:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.567432
- Title: OCC4M: Object-Centric 4D Memory for Spatiotemporal Reasoning in Long-Horizon Manipulation
- Title（参考訳）: OCC4M:長期マニピュレーションにおける時空間推論のためのオブジェクト中心4次元メモリ
- Abstract要約: ロングホライゾンの操作は、しばしば、現在の視点にはない時間的状態の推論を必要とする。
本稿では,オブジェクト中心の4DメモリであるOCC4Mについて述べる。
視覚言語モデルは、この構造化メモリをクエリして、履歴のない低レベル実行のための実行可能なターゲットを選択する。
- 参考スコア（独自算出の注目度）: 4.625296998318167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon manipulation often requires reasoning about state absent from the current view, such as a vanished object's location, temporal identity, or the contents of a shuffled container. We present OCC4M ("Occam"), an object-centric 4D memory that maintains persistent tracks in a shared world frame and explicitly represents temporal, motion, and containment relations. A vision-language model (VLM) queries this structured memory to select actionable targets for history-free low-level execution. Across seven simulation conditions and 350 episodes, OCC4M achieves 96.6% memory success and 88.9% end-to-end success, versus 54.6% and 57.7% for FrameSamp, a raw-history VLM baseline using Gemini 3.7 Flash with the complete observation history and the same executor. In a controlled viewpoint-transfer test, OCC4M maintains 100% memory and 98% end-to-end success after a viewpoint change, while full-history FrameSamp falls to near-zero success. On 20 fixed-camera Franka episodes, OCC4M reaches 85% joint memory accuracy, versus at most 30% for FrameSamp across context sizes from $K=16$ to the complete history, and completes 45% of full two-stage tasks. These results support explicit object-centric memory for persistent spatiotemporal reasoning in long-horizon manipulation. Qualitative videos are available at https://occ4m-sup.github.io/occ4m-supplementary/.
- Abstract（参考訳）: ロングホライゾン操作は、しばしば、消滅した物体の位置、時間的同一性、シャッフルされた容器の内容など、現在の視点からの状態が欠落している理由を推論する必要がある。
OCC4M(Occam)は、オブジェクト中心の4Dメモリで、共有ワールドフレーム内の永続的なトラックを保持し、時間的、運動的、包摂的関係を明示的に表現する。
視覚言語モデル(VLM)は、この構造化メモリをクエリして、履歴のない低レベル実行のために実行可能なターゲットを選択する。
7つのシミュレーション条件と350エピソードにわたって、OCC4Mは96.6%のメモリ成功と88.9%のエンドツーエンド成功を達成し、FrameSampは54.6%と57.7%のシェアを得た。
制御された視点移動テストでは、OCC4Mは視点変更後の100%のメモリと98%のエンドツーエンドの成功を維持し、フルヒストリーのFrameSampはほぼゼロの成功を収めている。
20の固定カメラのフランカエピソードでは、OCC4Mは85%のジョイントメモリ精度に到達し、FrameSampの最大30%は、コンテキストサイズをK=16ドルから完全な履歴まで拡大し、完全な2段階タスクの45%を完了している。
これらの結果は、長期的操作における時空間推論のための明示的なオブジェクト中心メモリをサポートする。
質的なビデオはhttps://occ4m-sup.github.io/occ4m-supplementary/で公開されている。
関連論文リスト
- ADM-Planner: LLM-Guided Long-Horizon Planning for Mobile Manipulators with Attention-Enhanced Dynamic Memory [4.276697874428501]
注意強化動的メモリ(ADM)を用いたLCM誘導型計画フレームワークADM-Plannerを提案する。
1500回以上のタスクシミュレーターのエピソードにおいて、提案されたADMは100%フルタスクで成功を収めた。
60-trial PyBulletによる別の研究では、ADMが100%成功したが、静的メモリは50%だった。
論文 参考訳（メタデータ） (2026-09-24T08:19:12Z) - EmbodiedMemory-Bench: Benchmarking Embodied Memory for Long-Horizon Embodied Tasks [20.393302005387003]
ロングホライゾン・エンボディド・インタラクションは、エージェントが観察、行動、変化に遭遇する際の環境に関する情報を保持し、継続的に更新する必要がある。
我々の分析は、この限界を4つの重要な欠陥、すなわち、微粒な視覚記憶の弱さ、信頼性の低い動的世界状態追跡、そして相互作用の結果によって明らかになった世界状態の記録の欠如に遡る。
既存のベンチマークでは、長期にわたるエンボディード相互作用の間、これらのメモリ能力を直接評価しない。
EmbodiedMemory-Benchは4つのタスクファミリーで2,554のインタラクティブなエピソードで構成されている。
具体的経験を空間・事象・事象に整理した外部記憶システムである Embodied-Memorizer (EMem) について述べる。
論文 参考訳（メタデータ） (2026-09-23T15:00:42Z) - Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses [83.32611586724165]
Recurisは、ロングホライゾンエージェントハーネスのためのExperiential-Working Memoryアーキテクチャである。
Work Memoryはタスクの進捗を追跡し、Experiential Memoryからスキル選択をガイドする。
4つのロングホライズンベンチマークと10のモデルでRecurisは37のモデルベンチマークペアのうち35のタスク成功を改善している。
論文 参考訳（メタデータ） (2026-08-25T17:56:35Z) - Chronos: A Physics-Informed Full-History Framework for Non-Markovian Long-Horizon Manipulation [15.192164610820607]
我々は、非マルコフ的長距離操作のための物理インフォームドフルヒストリーフレームワークであるクロノスを提示する。
各物理制御ステップでは、クロノスは観測とプロプレセプションを融合させて1つの状態表現トークンを形成するため、トークンシーケンスは物理時間で1対1に整列する。
16のシミュレートされたタスクと4つの実世界の実験において、クロノスは精度の挿入、一般的な操作、メモリ依存の長期制御で評価される。
論文 参考訳（メタデータ） (2026-06-29T14:00:17Z) - DIM-WAM: World-Action Modeling with Diverse Historical Event Memory [23.350949759638056]
世界行動モデルは、将来の視覚状態と行動を共同で予測することで、有望なロボット操作性能を示す。
マルチスケールの歴史的文脈、ローカルな未来のダイナミクス、グローバルなタスク進捗を統合したメモリ拡張ワールドアクションモデルであるDiM-WAMを紹介する。
RMBenchでは、DiM-WAMが平均28.4%、LingBot-VAが69.8%、メモリメモリのMem-0ベースラインが42.0%である。
論文 参考訳（メタデータ） (2026-06-26T03:17:39Z) - MemoryVAM: Integrating Memory into Video Action Model for Robot Manipulation [32.07039868974098]
本稿では,ビデオワールドモデルポリシーのためのエピソードメモリ機構であるMemoryVAMを提案する。
我々はRecap-Cue(RC)モジュールを使用し、PerceiverベースのRecapはフレーム単位のCLIPをコンパクトなメモリトークンにマップする。
これらのトークンはビデオバックボーンとアクションデコーダの両方に注入され、ポリシーのイマジネーションとエピソードの進行と履歴の条件付けとを一致させる。
論文 参考訳（メタデータ） (2026-06-13T08:54:52Z) - FlashMemory-DeepSeek-V4: Lightning Index Ultra-Long Context via Lookahead Sparse Attention [77.12062766962815]
Lookahead Sparse Attention (LSA)は、DeepSeek-V4アーキテクチャ上に構築されたNeural Memory Indexerを利用している。
このアーキテクチャをバックボーンフリーの非結合なトレーニング戦略でインスタンス化する。
FM-DS-V4は、物理KVキャッシュのフットプリントを、フルコンテキストベースラインのわずか13.5%まで圧縮することを示した。
論文 参考訳（メタデータ） (2026-06-08T06:25:54Z) - 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) - 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) - Efficient Video Object Segmentation via Modulated Cross-Attention Memory [123.12273176475863]
頻繁なメモリ拡張を必要とせず、時間的滑らかさをモデル化するトランスフォーマーベースの手法MAVOSを提案する。
我々のMAVOSは、単一のV100 GPU上で37フレーム/秒(FPS)で動作しながら、J&Fスコア63.3%を達成する。
論文 参考訳（メタデータ） (2024-03-26T17:59:58Z)
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。