論文の概要: Reflect After Failure: Brain-Inspired Self-Evolving Agents for Embodied Spatial Intelligence

• arxiv url: http://arxiv.org/abs/2610.20312v1
• Date: Wed, 14 Oct 2026 14:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.212218
• Title: Reflect After Failure: Brain-Inspired Self-Evolving Agents for Embodied Spatial Intelligence
• Title（参考訳）: 失敗後の反射:脳にインスパイアされた自己進化型エージェント
• Abstract要約: 我々は,脳にインスパイアされた空間知能の自己進化剤であるHiMecoを提案する。 HiMecoは知覚探索計画(PEP)の失敗を診断し、再利用可能な戦略を導出するための実行試行を比較する。 また、インタラクションプログラムをパラメータ化されたスキルに抽象化し、エビデンス契約と実行ベースのバリデーションを使用して、保持と再利用を決定する。
• 参考スコア（独自算出の注目度）: 18.93963660526329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language Models (VLMs) have made substantial progress in spatial reasoning, and self-evolving agents further extend these capabilities to embodied environments by learning from interactions. However, current self-evolution remains particularly challenging in embodied spatial tasks, complex and multi-step decisions from partial visual evidence making it difficult to determine why an execution fails. The failure may stem from misperception, insufficient exploration, or incorrect planning, yet execution feedback alone rarely reveals which component is responsible. As a result, simply accumulating interaction experience can reinforce ineffective strategies. To address this, we propose HiMeco, a brain-inspired self-evolving agent for embodied spatial intelligence, inspired by metacognitive monitoring and hippocampal memory consolidation. Through Hippocampal-Metacognitive Reflection, HiMeco diagnoses failures in perception-exploration-planning (PEP), then compares execution attempts to derive reusable strategies and guidance for avoiding recurring errors. It also abstracts interaction programs into parameterized skills, using evidence contracts and execution-based validation to determine their retention and reuse. These strategies and skills guide subsequent interactions, with memory updated only between rounds and model parameters kept frozen. HiMeco achieves state-of-the-art performance on ESI-Bench, and it also improves accuracy on EmbSpatial-Bench by 3.94 percentage points without evolution.
• Abstract（参考訳）: VLM(Vision-Language Models)は空間的推論において大きく進歩し、自己進化エージェントは相互作用から学習することで、これらの能力をさらに環境に拡張する。 しかし、現在の自己進化は、なぜ実行が失敗するのかを判断することが難しい部分的な視覚的証拠から複雑で多段階的な決定を具現化した空間的タスクにおいて、特に困難なままである。 失敗の原因は誤認識や調査不足,あるいは計画の誤りにあるかも知れませんが,実行時のフィードバックだけでは,どのコンポーネントが責任を負っているのかはめったに分からないのです。 その結果、単純な相互作用経験の蓄積は、非効果的な戦略を強化することができる。 そこで我々は,脳にインスパイアされた自己進化エージェントであるHiMecoを提案する。 HiMecoはHippocampal-Metacognitive Reflectionを通じて、知覚探索計画(PEP)の失敗を診断し、再利用可能な戦略を導出するための実行試行と、繰り返しエラーを避けるためのガイダンスを比較する。 また、インタラクションプログラムをパラメータ化されたスキルに抽象化し、エビデンス契約と実行ベースのバリデーションを使用して、保持と再利用を決定する。 これらの戦略とスキルはその後のインタラクションを導いており、メモリはラウンドとモデルパラメータの間だけ更新され、凍結されたままだった。 HiMecoはESI-Benchの最先端性能を実現し、EmbSpatial-Benchの精度も3.94ポイント向上した。

関連論文リスト

• Interactive Memory Learning for Long-Term Conversations [30.375942250315145]
  ICML(InteraCtive Memory Learning)は、受動的アーカイブから学習可能な対話型メモリポリシーに変換するマルチエージェントフレームワークである。
  論文  参考訳（メタデータ） (2026-09-15T12:21:41Z)
• 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)
• PEAM: Parametric Embodied Agent Memory through Contrastive Internalization of Experience in Minecraft [59.80301645617478]
  本稿では,MinecraftのParametric Embodied Agent MemoryフレームワークであるPEAMを紹介する。 PEAMは、エージェントメモリを推論時間検索から経験を通して内部化されたパラメータレジデントスキルに変換する。 PEAMは,長時間のタスクパフォーマンスを改善し,従来と統合されていたスキルの忘れを軽減し,パラメトリック・ヴァーサス・検索効率を向上させる。
  論文  参考訳（メタデータ） (2026-05-26T23:20:58Z)
• ESI-Bench: Towards Embodied Spatial Intelligence that Closes the Perception-Action Loop [55.468404995694975]
  我々は,OmniGibson上に構築された10のタスクカテゴリと29のサブカテゴリにまたがる空間知能の具体化ベンチマークを開発した。 我々は最先端のMLLMの実験を行い、活発な探索が受動的に優れていることを発見した。 矛盾した視点を求め、信念を改定する人間とは異なり、モデルは証拠の品質に関わらず、高い信頼をもって早々に行動する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:02Z)
• MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
  永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。 汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。 MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-04-17T07:29:52Z)
• BrainMem: Brain-Inspired Evolving Memory for Embodied Agent Task Planning [17.072340201392723]
  エージェントは複雑な3D環境で長期的、ゴール指向のアクションを実行する必要がある。 本稿では,人間の認知に触発された動作,エピソード,セマンティックメモリを具備した,非トレーニング型階層型メモリシステムBrainMemを提案する。
  論文  参考訳（メタデータ） (2026-03-12T17:54:42Z)
• Self-Consolidation for Self-Evolving Agents [51.94826934403236]
  大規模言語モデル(LLM)エージェントは静的システムとして機能し、生涯にわたる相互作用を通じて進化する能力に欠ける。 相補的進化機構を導入したLLMエージェントのための新しい自己進化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-02T11:16:07Z)
• ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory [57.517214479414726]
  ReasoningBankは、エージェントの自己判断の成功と失敗の経験から一般化可能な推論戦略を抽出するメモリフレームワークである。 テスト時には、エージェントがReasoningBankから関連する記憶を取得してそのインタラクションを知らせ、新しい学習を統合することで、時間が経つにつれてより有能になる。 本稿では,エージェントのインタラクションエクスペリエンスをスケールアップすることにより,学習プロセスの高速化と多様化を図るメモリ対応テストタイムスケーリング(MaTTS)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:03Z)

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。