論文の概要: Memory in the Sky: Low-Altitude Question Answering with Multi-Agent Memory Aggregation
- arxiv url: http://arxiv.org/abs/2609.35431v1
- Date: Mon, 28 Sep 2026 15:36:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 05:30:17.285131
- Title: Memory in the Sky: Low-Altitude Question Answering with Multi-Agent Memory Aggregation
- Title（参考訳）: 空の記憶:マルチエージェントメモリアグリゲーションによる低高度質問応答
- Abstract要約: 本稿では,無人航空機(UAV)を地上サーバに集約した低高度質問応答(LAQA)について検討し,長い地平線上での観測に関する質問に答える。
本稿では,前向きシミュレーションを用いてメモリ検索と試験スコアを評価し,メモリ品質を定量的に評価するGAE(Generative Adversarial Examination)を提案する。
我々は,UAVを共同で選択し,通信制約下でのメモリ品質を最大化するために送信電力を割り当てるメモリ中心(MemCen)フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 48.14225441471553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies low-altitude question answering (LAQA), in which distributed unmanned aerial vehicle (UAV) memories are aggregated at a ground server to answer questions about observations over a long horizon. Unlike conventional resource allocation based on sensing, communication, control, or computation metrics, LAQA requires an explicit measure of memory value. We propose a generative adversarial exam (GAE) that uses forward simulation to evaluate memory retrieval and exam scores to quantify memory quality. This enables the downstream QA value of candidate memories to be measured and optimized without accessing the internal mechanisms of the black-box captioning, retrieval, and reasoning pipeline. Building on this metric, we develop a memory-centric (MemCen) framework that jointly selects UAVs and allocates transmit power to maximize memory quality under communication constraints. In the noise-limited regime, we derive a QoM-aware capped water-filling law that explicitly connects task utility with physical-layer power allocation. We further develop penalty successive optimization (PSO) and learning to memorize (L2M) solvers. MemCen achieves QA accuracies of 92.4% and 84.0% in CARLA Town04 and Town05 under static and dynamic communication conditions, respectively. In real-world experiments, MemCen achieves 88.5% QA accuracy on the panoramic multi-agent system (PMAS) benchmark. Finally, UAV-to-robot-dog demonstrations further validate the practical utility of the acquired memories for environmental understanding and navigation.
- Abstract（参考訳）: 本稿では,無人航空機(UAV)を地上サーバに集約した低高度質問応答(LAQA)について検討し,長い地平線上での観測に関する質問に答える。
センサ、通信、制御、計算メトリクスに基づく従来のリソース割り当てとは異なり、LAQAはメモリ値の明示的な測定を必要とする。
本稿では,前向きシミュレーションを用いてメモリ検索と試験スコアを評価し,メモリ品質を定量的に評価するGAE(Generative Adversarial Examination)を提案する。
これにより、ブラックボックスキャプション、検索、推論パイプラインの内部メカニズムにアクセスすることなく、候補メモリの下流QA値を測定、最適化することができる。
本稿では,UAVを共同で選択し,通信制約下でのメモリ品質を最大化するために送信電力を割り当てるメモリ中心(MemCen)フレームワークを開発する。
ノイズリミット方式では,タスクユーティリティと物理層電力割り当てを明示的に結合するQoM型キャップ水充填法を導出する。
我々はさらにペナルティ逐次最適化(PSO)とL2M(L2M)を記憶する学習を開発する。
MemCen は静的および動的通信条件下で CARLA Town04 と Town05 で 92.4% と 84.0% の QA 精度を達成した。
実世界の実験において、MemCenはパノラママルチエージェントシステム(PMAS)ベンチマークで88.5%のQA精度を達成した。
最後に、UAV-to-robot-dogデモは、取得した記憶の環境理解とナビゲーションの実用性をさらに検証する。
関連論文リスト
- Harness the Memory: A Holistic Evaluation of Memory Substrates in Memory Agents [97.19033877543522]
本稿では,メモリ拡張剤のメモリ基板の制御ハーネス評価について述べる。
統一されたハーネスの下で26のパフォーマンスと効率のメトリクスを計測する。
これらの知見は、アダプティブエージェントメモリシステムに必要なコンポーネントとして、基質ルーティングを動機付けている。
論文 参考訳（メタデータ） (2026-08-15T03:29:48Z) - eMEM: A Hybrid Spatio-Temporal Memory System For Embodied Agents [1.8047694351309203]
物理環境で動作するエンボディエージェントのためのハイブリッドグラフベースメモリシステムeMEMを提案する。
eMEMはこのギャップをマルチインデックスアーキテクチャ(構造化ストレージ用ITE、近傍セマンティックサーチ用hlib、空間クエリ用Rツリー)で埋める。
また,eMEM-Bench v1は,メモリ評価のためのProcTHOR-10Kシーン上で構築したベンチマークである。
論文 参考訳（メタデータ） (2026-06-02T09:22:12Z) - MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。
MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。
MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
論文 参考訳（メタデータ） (2026-05-20T07:25:33Z) - Is One Score Enough? Rethinking the Evaluation of Sequentially Evolving LLM Memory [50.857546269660276]
本稿では,大規模言語モデル(LLM)メモリを逐次進化させる診断評価フレームワークであるSeqMem-Evalを紹介する。
最終的なパフォーマンスのみに焦点を当てるのではなく、SeqMem-Evalは、シーケンシャル推論において、メモリ状態がどのように進化し、一般化し、エクスペリエンスを集約し、有用な情報を保持するかを評価する。
論文 参考訳（メタデータ） (2026-05-14T20:15:22Z) - LongMemEval-V2: Evaluating Long-Term Agent Memory Toward Experienced Colleagues [80.29362825271768]
LongMemEval-V2は、メモリシステムが、カスタマイズされた環境で知識のある同僚になるために必要な経験を得るのに役立つかどうかを評価するためのベンチマークである。
LME-V2には、Webエージェントの5つのコアメモリ能力をカバーする451の質問が含まれている。
AgentRunbook-Rは生の状態観察,イベント,戦略ノートのための知識プールを備えた,効率的なRAGベースのメモリであり,AgentRunbook-Cはトラジェクトリをファイルとして格納し,コードエージェントを起動して,拡張サンドボックスに証拠を収集する。
論文 参考訳（メタデータ） (2026-05-12T17:59:34Z) - Memory Centric Power Allocation for Multi-Agent Embodied Question Answering [49.3249799261475]
マルチエージェントの具体的質問応答(MA-EQA)は、ロボットチームに対して、長い視野で見たものを問うことを目的としている。
このパラダイムシフトに対処するために、生成逆検(GAE)に基づく品質記憶モデル(QoM)を提案する。
次に,通信資源制約下でQoM関数を最大化するメモリ中心電力割り当て(MCPA)を提案する。
論文 参考訳（メタデータ） (2026-04-20T05:08:53Z) - Memory for Autonomous LLM Agents:Mechanisms, Evaluation, and Emerging Frontiers [0.42061757959666934]
大きな言語モデル(LLM)エージェントは、単一のコンテキストウィンドウが小さすぎて何が起きているのかをキャプチャできないような環境で、ますます運用される。
メモリはステートレステキストジェネレータを真に適応的なエージェントに変える。
この調査は、メモリがどのように設計され、実装され、現代のLCMベースのエージェントで評価されるかという構造化された説明を提供する。
論文 参考訳（メタデータ） (2026-03-08T15:08:01Z) - Evaluating Memory in LLM Agents via Incremental Multi-Turn Interactions [22.190297901876278]
メモリエージェントに不可欠な4つのコア能力、すなわち、正確な検索、テスト時間学習、長距離理解、選択的忘れの4つを特定した。
既存のベンチマークは、限られたコンテキスト長に依存するか、書籍ベースのQAのような静的で長いコンテキスト設定用に調整されている。
メモリエージェント用に特別に設計された新しいベンチマークであるMemoryAgentBenchを紹介する。
論文 参考訳（メタデータ） (2025-07-07T17:59:54Z) - Memory-Centric Embodied Question Answer [39.3863762723862]
EQA(Embodied Question Answering)は、エージェントが文脈に依存した質問に答えるために、環境を自律的に探索し理解することを要求する。
メモリ中心のEQAフレームワークであるMemoryEQAを提案する。
メモリモジュールが他のモジュールと完全に相互作用できないプランナー中心のEQAモデルとは異なり、MemoryEQAはメモリ情報を全てのモジュールにフレキシブルに供給する。
論文 参考訳（メタデータ） (2025-05-20T05:27:57Z)
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。