論文の概要: LTM: Latent Transition Based In-Context Memory for Vision-Language-Action Models
- arxiv url: http://arxiv.org/abs/2610.21362v1
- Date: Thu, 15 Oct 2026 06:41:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.234601
- Title: LTM: Latent Transition Based In-Context Memory for Vision-Language-Action Models
- Title（参考訳）: LTM:潜時遷移に基づくビジョン・ランゲージ・アクションモデルのためのインコンテキストメモリ
- Abstract要約: 連続的な観測の間には、履歴をコンパクトな潜時遷移として保存する潜時遷移記憶(LTM)を導入する。
DreamDojoへの移行により、LTM-$58.54%がRoboMMEで、80.5%がLIBERO-Memで成功した。
- 参考スコア（独自算出の注目度）: 16.861292184573006
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robotic manipulation often requires remembering interactions that are no longer visible. We introduce Latent Transition Memory (LTM), which stores history as compact latent transitions between consecutive observations. Instantiated on $π_{0.5}$ as LTM-$π$, our method uses a frozen latent action encoder, a lightweight adapter, and causal KV caching for incremental inference without memory-specific semantic annotations or external reasoning-model calls. With DreamDojo transitions, LTM-$π$ achieves 58.54% success on RoboMME and 80.5% on LIBERO-Mem, performing best among baselines without external reasoning models or memory-specific annotations. Ablations support the contribution of transition content beyond temporal cues and the efficiency of delayed memory admission. Scaling RoboMME demonstrations tenfold improves success from 57.67% to 87.50%, while a Cup Swap diagnostic highlights the role of process supervision in temporal composition. Under a 200-token memory budget, success remains 84.00%, versus 87.50% without compression. Finally, real-robot counting success improves from 11.25% to 82.50%. Together, these results demonstrate the effectiveness, scalability, and efficiency of latent transition memory, highlighting its capacity for complex temporal information, bounded-context operation, and real-world robotic control.
- Abstract（参考訳）: ロボット操作は、しばしば見えなくなった相互作用を思い出す必要がある。
連続的な観測の間には、履歴をコンパクトな潜時遷移として保存する潜時遷移記憶(LTM)を導入する。
LTM-$π$として$π_{0.5}$に基づいて,メモリ固有のセマンティックアノテーションや外部推論モデル呼び出しを使わずに,フリーズされた潜在アクションエンコーダ,軽量アダプタ,インクリメンタル推論のための因果KVキャッシュを使用する。
DreamDojoの移行により、LTM-$π$はRoboMMEで58.54%、LIBERO-Memで80.5%成功し、外部推論モデルやメモリ固有のアノテーションを使わずにベースラインで最高のパフォーマンスを発揮する。
アブレーションは、時間的手がかりを超えた遷移内容の寄与と遅延記憶の受容の効率をサポートする。
RoboMMEのデモを10倍に拡大すると57.67%から87.50%に向上する一方、カップスワップの診断は時間構成におけるプロセス監督の役割を強調している。
200トンのメモリ予算の下では、成功率は84.00%であり、圧縮なしでは87.50%である。
最後に、実際のロボットカウントの成功は11.25%から82.50%に改善された。
これらの結果は、複雑な時間情報、コンテキスト境界操作、実世界のロボット制御の能力を強調するとともに、潜時遷移メモリの有効性、スケーラビリティ、効率を実証する。
関連論文リスト
- AVT-Fabric: Active Visuo-Tactile Perception via Adaptive Evidence Selection for Efficient Robotic Fabric Comparison [50.18779315745876]
AVT-Fabricは、各比較の難しさに応じて触覚証拠を割り当てるRGBファーストフレームワークである。
400のホールドアウト比較において、AVT-Fabricはコンパクトな7Bマルチモーダル大言語モデルで98.0%の精度を達成した。
このフレームワークは実際のロボットシステムにもデプロイされており、8つのアプリケーションシナリオのうち7つのシナリオで78.1%のペアのランキング精度と正しい布地選択を実現している。
論文 参考訳（メタデータ） (2026-09-18T06:43:04Z) - 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) - Skills in Weights, Memory in Code: Hybrid Learning for Memory-Dependent Robot Manipulation [12.918310076135313]
実世界の操作は、しばしば非マルコフ的であり、ロボットがタスク関連情報を保持し、推論することを要求する。
我々は,コーディングエージェントの推論とメモリ管理機能を活用したハイブリッド学習フレームワークHyMeSを提案する。
RoboMemArenaでは、平均累積成功率を52.5%から66.2%に改善し、平均タスク成功率を41.3%から60.1%に上回り、PrediMemの累積成功率4.5ポイント、タスク成功率14.5ポイントを上回っている。
論文 参考訳（メタデータ） (2026-08-10T10:35:47Z) - TransMem: Transforming Hidden States into Memory for Large Language Models [29.656816378992414]
大規模言語モデル(LLM)エージェントは、長い相互作用履歴を通してますます機能する。
TransMemは、凍結したLCMバックボーンから再利用可能なメモリ表現に変換する。
論文 参考訳（メタデータ） (2026-07-31T05:11:04Z) - Selective Memory Retention for Long-Horizon LLM Agents [0.0]
TraceRetainを使用して、機能を解釈してエントリをスコアし、キャパシティの低いものを削除します。
境界保持は、飽和クリーンベンチマークのメモリとステップ効率をタスクコストなしで購入し、ストリームがノイズを含むときだけキャッシュと区別する。
論文 参考訳（メタデータ） (2026-06-28T03:46:46Z) - MemoryWAM: Efficient World Action Modeling with Persistent Memory [80.90899269062128]
本稿では,効率的な永続メモリを持つ世界アクションモデルであるMemoryWAMを紹介する。
調整された注意機構は、詳細な短期コンテキストと圧縮された長期コンテキストの両方の検索を可能にする。
MemoryWAMは、シミュレーションと実世界の両方において、強力な視覚言語アクション(VLA)とWAMベースラインを上回っている。
論文 参考訳（メタデータ） (2026-06-18T17:59:51Z) - MemMachine: A Ground-Truth-Preserving Memory System for Personalized AI Agents [2.541923091180284]
大規模言語モデル(LLM)エージェントはパーソナライゼーション、事実連続性、長期的推論を維持するために永続記憶を必要とする。
本稿では,短期,長期,プロファイルメモリを統合したオープンソースのメモリシステムであるMemMachineを紹介する。
MemMachineは、コンテキスト化された検索を使用して、周囲のコンテキストにマッチする核を拡大し、関連するエビデンスが複数の対話にまたがる場合のリコールを改善する。
論文 参考訳（メタデータ） (2026-04-06T16:57:06Z) - Novel Memory Forgetting Techniques for Autonomous AI Agents: Balancing Relevance and Efficiency [0.0]
長期会話エージェントはコヒーレント推論のために永続記憶を必要とする。
制御不能な蓄積は 時間的劣化と 偽の記憶の伝播を引き起こす
この研究は、関連付けされたスコアリングとバウンダリされた最適化によってメモリを規制する適応的な予算付き忘れフレームワークを導入している。
論文 参考訳（メタデータ） (2026-04-02T17:14:53Z) - Memory Caching: RNNs with Growing Memory [56.25483647131372]
メモリ状態(隠された状態)のチェックポイントをキャッシュすることで、リカレントモデルを強化する技術であるメモリキャッシュ(MC)を導入する。
我々は,ゲートアグリゲーションとスパース選択機構を含むMCの4つの変種を提案し,それらが線形メモリモジュールおよび深部メモリモジュールに与える影響について議論する。
その結果,トランスフォーマーの精度は高いが,我々のMC変種は競争性能を示し,トランスフォーマーとのギャップを埋め,最先端のリカレントモデルよりも優れた性能を示した。
論文 参考訳（メタデータ） (2026-02-27T18:53:41Z) - ELMUR: External Layer Memory with Update/Rewrite for Long-Horizon RL [48.214881182054164]
本研究では,外部メモリを構造化したトランスアーキテクチャであるEMMURを提案する。
ELMURは、注意窓の向こうに10万倍の有効地平線を拡大する。
最大100万歩の廊下を持つ合成T-Mazeタスクで100%の成功率を達成する。
論文 参考訳（メタデータ） (2025-10-08T15:50:34Z) - 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)
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。