論文の概要: Mem4Act: Learning Effective Latent Memory for Long-Horizon Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2610.22323v1
- Date: Thu, 15 Oct 2026 17:51:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.249855
- Title: Mem4Act: Learning Effective Latent Memory for Long-Horizon Robotic Manipulation
- Title（参考訳）: Mem4Act:Long-Horizon Robotic Manipulationのための効果的な潜時記憶学習
- Abstract要約: 本稿では,Mem4Actという長軸ロボット制御のための効果的な潜時記憶学習フレームワークを紹介する。
Mem4Actは、長い履歴を効率的にカバーする方法、情報メモリが保持すべきもの、ポリシーが実際にメモリに依存していることを保証する方法の3つの課題に対処する。
これは、それぞれ49.88%、61.0%、81.5%の成功率で、メモリ依存制御における最先端のパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 22.068696582021563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon robotic manipulation fundamentally requires memory: agents must retain task-relevant information from past observations and interactions and use it to guide future actions. Existing approaches typically preserve raw historical observations, compressed visual tokens, or language summaries, but these representations either expose the action policy to increasingly long histories or risk discarding task-relevant temporal, semantic, and perceptual information. We introduce Mem4Act, a framework for learning effective latent memory as a fixed-size representation explicitly optimized for long-horizon robotic control. Mem4Act addresses three coupled challenges: how to efficiently cover long histories, what information memory should retain, and how to ensure the policy actually relies on memory. To this end, it organizes history via multi-granularity temporal aggregation, preserves complementary semantic and perceptual information through question-answering supervision and key-frame DINO feature reconstruction, and employs memory-first two-stage training to encourage greater use of memory by the action policy. The resulting memory captures both high-level task state and fine-grained perceptual evidence while providing a bounded interface to the action policy. Across RoboMME, RMBench, and four real-world manipulation tasks, Mem4Act achieves state-of-the-art performance on memory-dependent control, with success rates of 49.88%, 61.0%, and 81.5%, respectively. Extensive ablations further demonstrate the importance of temporal aggregation, complementary memory supervision, and memory-first training.
- Abstract（参考訳）: エージェントは過去の観察や相互作用からタスク関連情報を保持し、それを将来の行動を導くために利用しなければならない。
既存のアプローチは通常、生の歴史的観察、圧縮されたビジュアルトークン、または言語要約を保存するが、これらの表現は、アクションポリシーをますます長い歴史に公開するか、タスクに関連する時間的、意味的、知覚的な情報を捨てるリスクをなくすかのどちらかである。
我々は,長期ロボット制御に最適化された固定サイズ表現として,有効な潜時記憶を学習するためのフレームワークであるMem4Actを紹介する。
Mem4Actは、長い履歴を効率的にカバーする方法、情報メモリが保持すべきもの、ポリシーが実際にメモリに依存していることを保証する方法の3つの課題に対処する。
この目的のために、複数粒度の時間的集約を通じて歴史を整理し、質問応答監視と鍵フレームDINO特徴再構成を通じて補完的な意味情報と知覚情報を保存し、メモリファーストの2段階トレーニングを用いてアクションポリシーによるメモリ利用を促進する。
結果のメモリは、アクションポリシーにバウンドインターフェースを提供しながら、ハイレベルなタスク状態ときめ細かい知覚的証拠の両方をキャプチャする。
RoboMME、RMBench、および4つの実世界の操作タスクを通して、Mem4Actは、それぞれ49.88%、61.0%、81.5%の成功率で、メモリ依存制御における最先端のパフォーマンスを達成した。
広範囲にわたる改善は、時間的集約、相補的な記憶監督、メモリファーストトレーニングの重要性をさらに示している。
関連論文リスト
- Memory Without Curation: Learning Multi-Stream Latent Memory for Robot Policies [36.76696525153094]
IMprintはポリシーに依存しない潜在メモリフレームワークである。
ポリシーが記憶すべきことを明示的に制約することなく、マルチストリームメモリで視覚言語アクションモデルを拡張する。
論文 参考訳（メタデータ） (2026-10-09T23:58:57Z) - MemPrism: Task-Conditioned Relational Memory Views for Long-Horizon Agents [14.296334759650918]
ロングホライゾンエージェントは、経験を再利用するためにメモリに依存しているが、既存のメモリシステムは、エビデンスを固定表現によって直接消費できると仮定している。
MemPrismはタスク条件付きリレーショナルメモリフレームワークで、永続的なエクスペリエンスストレージと意思決定時のワーキングメモリを分離する。
MemPrismは、特にトラジェクトリが長くなり、メモリトークンの消費が減少するにつれて、タスクパフォーマンスを継続的に改善する。
論文 参考訳（メタデータ） (2026-08-07T03:13:43Z) - Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。
メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。
MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
論文 参考訳（メタデータ） (2026-07-15T08:32:40Z) - Memory Retrieval in Visuomotor Policies for Long-Horizon Robot Control [33.5619212312672]
家庭などの部分的に観測可能な環境で動く汎用ロボットは、自律性をサポートするために記憶を必要とする。
本稿では,長期制御のための注意に基づくメモリ検索機構を備えたビジュモータポリシーであるHALOを紹介する。
論文 参考訳（メタデータ） (2026-06-23T20:07:23Z) - Remember what you did?: Learning Behavioral Memories for Partially Observable Object Manipulation [1.5192151934554061]
圧縮行動記憶ポリシー(CAMP)について紹介する。
CAMPは、ロボット自身の行動履歴が、高度に情報的かつ自己管理的な信号として機能する、という洞察に基づいている。
CAMPを4つの実ロボット・セットアップと2つの新しいシミュレーション・ベンチマークで評価した。
論文 参考訳（メタデータ） (2026-06-19T07:56:58Z) - 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) - Scaling Short-Term Memory of Visuomotor Policies for Long-Horizon Tasks [69.19366746169906]
本稿では,短期記憶を利用するビジュモータポリシーのためのトランスフォーマーベースのアーキテクチャであるPRISMを提案する。
海賊フィルタは情報を取得し、関連する詳細を抑え、性能を向上する。
階層アーキテクチャは、ローカル情報をコンパクトなトークンに圧縮し、計算とメモリフットプリントを改善する。
論文 参考訳（メタデータ） (2026-06-15T03:49:23Z) - MemTrain: Self-Supervised Context Memory Training [40.64801276577851]
既存のメモリエージェントアプローチは通常、下流タスクで強化学習を施したエンドツーエンドで訓練される。
MemTrainは、LLMエージェントのコンテキストメモリ能力を高めるための自己教師型トレーニングフレームワークである。
MemTrainは、異なるモデル間のダウンストリームメモリ集約推論性能を一貫して改善する。
論文 参考訳（メタデータ） (2026-06-02T05:56:24Z) - WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。
既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。
マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
論文 参考訳（メタデータ） (2026-05-28T04:27:20Z) - Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。
TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-01-12T12:24:44Z)
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。