論文の概要: Remember What You Did: Action-History Memory with Dual-Expert Denoising for Long-Horizon Vision-Language-Action Policies

• arxiv url: http://arxiv.org/abs/2609.37307v1
• Date: Tue, 29 Sep 2026 11:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.448585
• Title: Remember What You Did: Action-History Memory with Dual-Expert Denoising for Long-Horizon Vision-Language-Action Policies
• Title（参考訳）: アクション・ヒストリー・メモリとデュアル・エクスプロイト・デノベーションを併用したロングホライゾン・ビジョン・ランゲージ・アクション・ポリシー
• Abstract要約: ActMem-VLAは、Mambaベースのメモリモジュールと軽量PreAction Expert (PAE)からなるメモリプラグインで、凍結した微調整のVLAを増強する。 LIBERO-Memでは、ActMem-VLAは10タスクで平均80.8%、MemoryVLAでは65.2%、メモリVLAでは49.5%、追加パラメータは3.45%となっている。
• 参考スコア（独自算出の注目度）: 21.099991485602622
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Vision-language-action (VLA) models have driven rapid progress in robotic manipulation, demonstrating strong fine-grained control and promising performance on long-horizon tasks. However, many existing VLAs lack explicit access to interaction history, making them vulnerable to perceptual aliasing: similar current observations and robot states at different task stages may induce action ambiguity and lower success rate. Existing methods incorporate temporal or progress cues through feature conditioning, action-prior modification, or sampling guidance. However, methods that jointly fine-tune memory modules and the base VLA incur additional policy-training costs, motivating the separation of trainable history-conditioned steering from frozen base-policy refinement. We propose ActMem-VLA, a dual-expert handover architecture that augments a frozen, fine-tuned VLA with a memory plugin comprising a Mamba-based memory module and a lightweight PreAction Expert (PAE). Specifically, Mamba encodes executed-action history into memory that conditions PAE alongside current context. With these inputs, PAE steers task progression during early, high-noise denoising, then passes the partially denoised action to the frozen Action Expert (AE) to refine action details during the remaining low-noise steps. The fine-tuned base VLA remains frozen throughout training, while only the Mamba module and PAE are jointly optimized. On LIBERO-Mem, ActMem-VLA achieves 80.8\% average success across all ten tasks, compared with 65.2\% for $π_{0.5}$ and 49.5\% for MemoryVLA, while introducing only 3.45\% additional parameters. Across four real-world tasks, it improves the average success rate over $π_{0.5}$ by 28.8\%.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、ロボット操作の急速な進歩を促し、強力なきめ細かい制御と長期作業における有望なパフォーマンスを示している。 しかしながら、多くの既存のVLAは相互作用履歴への明示的なアクセスを欠いているため、知覚的エイリアスに弱い。 既存の方法は、特徴条件付け、アクション・プライア・修正、サンプリングガイダンスを通じて、時間または進捗の手がかりを組み込む。 しかし、メモリモジュールとベースVLAを共同で微調整する方法は追加の政策訓練コストを発生させ、トレーニング可能な履歴条件のステアリングをフリーズベースポリチクスから分離する動機となった。 本稿では,Mambaベースのメモリモジュールと軽量 PreAction Expert (PAE) を備えたメモリプラグインを用いて,凍結・微調整VLAを拡張したデュアルエキスパートハンドオーバアーキテクチャである ActMem-VLA を提案する。 具体的には、Mambaは実行されたアクション履歴を、現在のコンテキストとともにPAEを条件とするメモリにエンコードする。 これらの入力により、PAEはハイノイズの早期のタスク進行を制御し、凍結したアクションエキスパート(AE)に部分的に認知されたアクションを渡し、残りの低ノイズのステップでアクションの詳細を洗練させる。 微調整されたベースVLAはトレーニングを通して凍結され、MambaモジュールとPAEのみが共同で最適化されている。 LIBERO-Mem では ActMem-VLA が平均 80.8\% を達成するのに対し、$π_{0.5} の 65.2\% と MemoryVLA の 49.5\% は 3.45\% の追加パラメータしか導入していない。 4つの実世界のタスクで、平均的な成功率をπ_{0.5}$ 28.8\%以上向上させる。

関連論文リスト

• Decoupled Early Exits for Task-Dependent Compute Allocation in Flow-Matching VLAs [53.20313939184399]
  フローマッチング型ビジョン・ランゲージ・アクション(VLA)モデルは、ジェネラリストロボット制御の潜在的な解決策として浮上している。 本稿では,バックボーン深度を$V$,アクションエキスパート深度を$A$,ステップを$D$とすることを提案する。 最適な計算予算はタスクに依存しており、様々なタスクは異なる軸と深さから恩恵を受ける。
  論文  参考訳（メタデータ） (2026-09-24T11:10:00Z)
• Remember Smarter: Visual History Compressor and Hyperbolic Experience Space for Robotic Memory [54.400138177707504]
  remember Smarter (RS) は、視覚履歴と双曲的なエクスペリエンスメモリのブランチを補完するプラグイン・アンド・プレイモジュールである。 pi0に適合すると、RSはLIBERO-Plusの総成功率を53.6%から70.6%に引き上げ、実際のロボット実験でかなりの性能向上を達成した。
  論文  参考訳（メタデータ） (2026-08-15T15:13:33Z)
• TFP: Temporally Conditioned Memory-Fusion Policies for Visuomotor Learning [11.149498165285491]
  Vision-Language-Action(VLA)ポリシーは、$_0.5$やOpenVLAのような多くのタスクでうまく機能するが、リアクティブであることが多い。 このようなタスクは、メモリだけでなく、動的に認識される信念の更新も必要である、と我々は主張する。
  論文  参考訳（メタデータ） (2026-07-09T09:24:30Z)
• Training-Free Acceleration for Vision-Language-Action Models with Action Caching and Refinement [1.0279917564173053]
  VLA(Vision-Language-Action)モデルは、汎用可能なロボット操作のための有望なアプローチとして登場した。 我々はActionCacheを提案する。ActionCacheはプラグイン・アンド・プレイの外部キャッシュで、過去の中間アクションをウォームスタート世代に再利用する。 シミュレーションおよび実環境における実験結果から、ActionCacheは低レイテンシのシステムにおいて高いタスク成功率を維持していることが示された。
  論文  参考訳（メタデータ） (2026-07-07T15:10:15Z)
• ActionMap: Robot Policy Learning via Voxel Action Heatmap [61.10410508218428]
  ActionMapは、ネイティブアクションデコーダの代わりに既存のVLAにドロップする。 Heatmapヘッドは、マッチしたトレーニングステップで、2つのアーキテクチャ的に異なるバックボーンを越えます。 クロスバックボーン一貫性は、アクション表現がVLAパフォーマンスの真のレバーであることを示している。
  論文  参考訳（メタデータ） (2026-06-05T04:42:56Z)
• 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)
• MAP-VLA: Memory-Augmented Prompting for Vision-Language-Action Model in Robotic Manipulation [22.063033063941788]
  MAP-VLA(Memory-Augmented Prompting for Vision-Language-Action Model)は、実証型メモリプロンプトによって訓練済みのVLAモデルを強化し、長距離ロボット操作タスクのためのアクション生成を可能にする新しいフレームワークである。 その結果、MAP-VLAは、シミュレーションベンチマークで7.0%の絶対的なパフォーマンス向上を達成でき、また、現在の最先端手法を超越した、長距離タスクにおける実際のロボット評価の25.0%を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-11-12T17:56:13Z)

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。