論文の概要: EvoMem-VLA: State-Evolution Memory for Long-Horizon Robot Manipulation

• arxiv url: http://arxiv.org/abs/2610.05418v1
• Date: Sun, 04 Oct 2026 17:59:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 13:52:21.755189
• Title: EvoMem-VLA: State-Evolution Memory for Long-Horizon Robot Manipulation
• Title（参考訳）: EvoMem-VLA:長距離ロボットマニピュレーションのための状態進化メモリ
• Abstract要約: EvoMem-VLAは、歴史的状態間の観測された変化を明示的に符号化し、保持することで、状態進化記憶を構築する。 これらの変更表現は相互作用の結果の証拠を保存し、分離されたスナップショットを超えてタスクの進捗を追跡することができる。
• 参考スコア（独自算出の注目度）: 27.5832260127858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most vision-language-action (VLA) models rely on current observations and lose task-relevant evidence once it leaves view, limiting performance on long-horizon, memory-dependent tasks. Existing efforts incorporate compressed historical features or sparse visual keyframes. However, isolated snapshots can leave the policy uncertain about what changed during past interactions and which action should follow. To overcome this limitation, we propose EvoMem-VLA, which constructs state-evolution memory by explicitly encoding and retaining observed changes between historical states. These change representations preserve evidence of interaction outcomes, allowing the policy to track task progress beyond isolated snapshots. Specifically, we introduce conditional delta tokenization to encode ordered frame pairs into directional, source-conditioned delta tokens, each associated with its corresponding state evidence. A shared VLM backbone supports task-adaptive routing: normal long-horizon tasks follow a direct action route, whereas multi-stage tasks use a subtask route that generates an executable subtask as an additional input for action generation. With a single jointly trained policy for each simulation benchmark, EvoMem-VLA achieves success rates of 80.7\% on RMBench, 82.0\% on RoboMME and 83.8\% across four real-world tasks spanning two robot embodiments. These results represent substantial improvements over the previous state of the art in all three evaluation settings.
• Abstract（参考訳）: 視覚-言語-アクション(VLA)モデルの多くは、現在の観察に頼り、視界を離れるとタスク関連エビデンスを失い、長期にわたるメモリ依存タスクのパフォーマンスが制限される。 既存の取り組みには、圧縮された歴史的特徴や希少な視覚的キーフレームが含まれている。 しかし、分離されたスナップショットは、過去のインタラクションで何が変わったのか、どのアクションが従うべきか、ポリシーを不確実にしておくことができる。 この制限を克服するために、歴史的状態間の観測された変化を明示的に符号化し、保持することにより、状態進化メモリを構築するEvoMem-VLAを提案する。 これらの変更表現は相互作用の結果の証拠を保存し、分離されたスナップショットを超えてタスクの進捗を追跡することができる。 具体的には、順序付きフレームペアを、それぞれ対応する状態証拠に関連付けて、指向性のあるソース条件付きデルタトークンに符号化するために、条件付きデルタトークンを導入します。 通常のロングホライゾンタスクは直接のアクション経路に従うが、マルチステージタスクはサブタスクルートを使用し、アクション生成のための追加入力として実行可能なサブタスクを生成する。 EvoMem-VLAは、シミュレーションベンチマークごとに1つの共同トレーニングされたポリシーにより、RMBenchの80.7\%、RoboMMEの82.0\%、および2つのロボットエボディメントにまたがる4つの現実世界タスクの83.8\%の成功率を達成した。 これらの結果は、3つの評価設定すべてにおいて、過去の最先端よりも大幅に改善されたことを示している。

関連論文リスト

• Remember What You Did: Action-History Memory with Dual-Expert Denoising for Long-Horizon Vision-Language-Action Policies [21.099991485602622]
  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。
  論文  参考訳（メタデータ） (2026-09-29T11:43:19Z)
• TaskAnchor: Grounding Task State in Reactive VLAs for Long-Horizon Manipulation [49.02604313942616]
  VLA(Reactive Vision-Language-action)ポリシーは、長時間の操作においてタスク状態のエイリアスに悩まされる。 本稿では,VLAのネイティブ入力空間に実行コンテキストを注入することでタスク状態を基底とする軽量アダプタTaskAnchorを提案する。 長期のベンチマークではTaskAnchorが大幅に上昇し、pi0.5とX-VLAのベースラインの平均的な成功率の6倍に達する。
  論文  参考訳（メタデータ） (2026-09-20T11:57:10Z)
• ICI-VLA: In-Context Imitation with Spatiotemporally Aligned Demonstrations for Vision-Language-Action Models [9.31323513616827]
  ICI-VLA(ICI-VLA)は、テキストアクション型VLMと、インテキストによる実演によるテスト時間適応機能を備えたトレーニング・検索フレームワークである。 ICI-VLAは、オフライントレーニング中のみパラメータを更新する。
  論文  参考訳（メタデータ） (2026-09-07T14:55:35Z)
• 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)
• Non-Markovian Long-Horizon Robot Manipulation via Keyframe Chaining [56.62125584296097]
  Keyframe-Chaining VLAは、キー履歴フレームを抽出し、長い水平依存関係をモデル化するフレームワークである。 本研究では,現在の実行フェーズに対する時間的関連性に基づいて,動的に履歴フレームを検索する進捗対応機構を設計する。 タスク成功率を測定するために,ManiSkillシミュレータ上に構築された4つの非マルコフ操作タスクスイートを紹介する。
  論文  参考訳（メタデータ） (2026-03-02T05:26:29Z)
• 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)
• CronusVLA: Towards Efficient and Robust Manipulation via Multi-Frame Vision-Language-Action Modeling [84.51372201195132]
  CronusVLAは、単一フレームのVLAモデルをマルチフレームパラダイムに拡張する統合フレームワークである。 CronusVLAは70.9%の成功率で先進的な性能と優れた堅牢性を達成する。 これらの結果は、より強力で堅牢な実世界展開のためのVLAモデルにおける効率的なマルチフレーム適応の可能性を強調している。
  論文  参考訳（メタデータ） (2025-06-24T17:30:27Z)

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。