論文の概要: When Plans Change, Remember: Replanning-Guided Visual Memory for Vision-Language-Action Models
- arxiv url: http://arxiv.org/abs/2610.22556v1
- Date: Thu, 15 Oct 2026 18:49:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.634875
- Title: When Plans Change, Remember: Replanning-Guided Visual Memory for Vision-Language-Action Models
- Title（参考訳）: ビジョンランゲージ・アクションモデルのためのガイド付きビジュアルメモリの計画変更
- Abstract要約: 長い水平多段階のビジョン・ランゲージ・アクション (VLA) ポリシーは、しばしば現在の観測ではもはや存在しない視覚情報を必要とする。
RePlanMem-VLAを導入し、ポリシー独自の計画修正をオンラインメモリ書き込み信号に変換する。
RePlanMem-VLAはタスク関連観測を,後続の判断ポイントまで100%のエピソードで維持することを示す。
- 参考スコア（独自算出の注目度）: 36.277035011780505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon, multi-stage Vision-Language-Action (VLA) policies often require visual information that is no longer present in the current observation. Retaining the complete observation history is computationally expensive and highly redundant, motivating selective visual memory. We introduce RePlanMem-VLA (Replanning-Guided Keyframe Memory for VLA), which turns a policy's own plan revisions into an online memory-write signal. Under receding-horizon execution, consecutive action chunks predict some of the same future actions. RePlanMem-VLA treats unusually large disagreement between these temporally aligned predictions as evidence of a task-relevant event. We first compare 35 disagreement measures across single-task autoregressive decoder-only and Flow-Matching Transformers trained from scratch, then validate the selected signals on pretrained OpenVLA-OFT and $π_{0.5}$ policies over MIKASA-Robo-VLA tasks. The resulting detectors achieve ROC-AUC of 0.981-0.997. We then use the selected signals in RePlanMem-VLA to trigger updates to a bounded visual memory, with a robot-masked write filter suppressing redundant frames. In the evaluated memory-retention experiments, RePlanMem-VLA preserves task-relevant observations until the later decision point in 100% of episodes. Real-robot replay data further show that event selection and redundancy suppression extend beyond simulation. These results establish plan revision as a policy-internal signal for controlling what a VLA remembers. Website: https://vika787.github.io/RePlanMem/.
- Abstract（参考訳）: 長い水平多段階のビジョン・ランゲージ・アクション (VLA) ポリシーは、しばしば現在の観測ではもはや存在しない視覚情報を必要とする。
完全な観測履歴を保持することは、計算コストが高く、非常に冗長であり、選択的な視覚記憶を動機付けている。
本稿では,RePlanMem-VLA(Replanning-Guided Keyframe Memory for VLA)を紹介する。
後退水平実行では、連続的なアクションチャンクは、同じ将来のアクションのいくつかを予測する。
RePlanMem-VLAは、これらの時間的に整列した予測間の異常な大きな不一致を、タスク関連事象の証拠として扱う。
まず, 単タスクの自己回帰デコーダのみとフローマッチング変換器間の35の相違点を比較し, 事前学習したOpenVLA-OFT上の選択信号とMIKASA-Robo-VLAタスクに対するπ_{0.5}$ポリシーの検証を行った。
得られた検出器は0.981-0.997のROC-AUCを達成する。
次に、選択したRePlanMem-VLAの信号を用いて、冗長フレームを抑圧するロボットマインドライトフィルタを用いて、境界付きビジュアルメモリの更新をトリガーする。
評価された記憶保持実験では、RePlanMem-VLAはタスク関連観測を、後続の判断ポイントまで100%のエピソードで保存する。
実ロボットのリプレイデータはさらに、イベント選択と冗長性抑制がシミュレーションを超えて拡張されていることを示している。
これらの結果は、VLAの記憶を制御するためのポリシー内部信号として計画修正を確立する。
ウェブサイト:https://vika787.github.io/RePlanMem/
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) - Revision, Not Restart: Revisable Visual Plans for Closed-Loop World-Action Models [11.848736377015113]
修正可能な時間計画(Revisable Temporal Planning)は、視覚的未来を永続的な行動条件として維持し、フィードバック後に修正する。
タイムアウェア・ヒストリーは、観測された証拠を供給し、適応的なポリシーは、新しいノイズから保持、ブリッジリビジョン、または新しいリプランニングを選択する。
結果は、フィードバック駆動型視覚計画修正とクローズドループタスクのパフォーマンスを結びつける。
論文 参考訳（メタデータ） (2026-09-28T15:40:11Z) - FM-VLA: Force-based Memory for Vision-Language-Action Models in Contact-Rich Manipulation [30.071471609769755]
本稿では,力に基づくメモリを用いた視覚言語行動モデルFM-VLAを提案する。
我々は,強制時系列再構成で予め訓練された変分オートエンコーダを用いて,強制履歴をコンパクトな強制記憶トークンにエンコードする。
我々の軽量なフォースメモリは、最小の推論オーバーヘッドで80%以上の成功率を達成する。
論文 参考訳（メタデータ） (2026-07-20T17:58:31Z) - 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) - VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies [58.65913948991329]
正確な低レイテンシVLAポリシーのためのビジュアル中間推論フレームワークであるVISUALTHINK-VLAを提案する。
私たちのブートストラップ哲学は、効果的な視覚的思考でアクションを導くことです。
これは、デコードオーバーヘッドを回避しながら空間的精度を保った、コンパクトなビジュアル・エビデンスインターフェースを通じてアクション予測をブートストラップする。
論文 参考訳（メタデータ） (2026-05-28T14:36:53Z) - Sentinel-VLA: A Metacognitive VLA Model with Active Status Monitoring for Dynamic Reasoning and Error Recovery [62.75419724651416]
textbfSentinel-VLAは,リアルタイム実行状況を監視するアクティブセンチネルモジュールを備えたメタ認知型VLAモデルである。
すべてのトレーニングデータは、設計したパイプラインを通じて自動生成され、注釈付けされます。
実世界の実験では、Sentinel-VLAはSOTAモデルであるPI0と比較してタスク成功率を30%以上向上することを示した。
論文 参考訳（メタデータ） (2026-05-02T02:10:54Z) - Long-Horizon Manipulation via Trace-Conditioned VLA Planning [55.80061850746898]
LoHo-Manipは、短い水平VLA実行を専用のタスク管理VLMを介して長い水平命令にスケールするフレームワークである。
LoHo-Manipは、サブタスクシーケンスと明示的な完了+残り分割を軽量言語メモリとして組み合わせた、進捗対応の残計画を予測する。
実行器VLAは、レンダリングされたトレースの条件に適合し、長い水平決定を繰り返しローカル制御に変換する。
論文 参考訳（メタデータ） (2026-04-23T17:59:04Z) - ReMem-VLA: Empowering Vision-Language-Action Model with Memory via Dual-Level Recurrent Queries [45.23935281952228]
本稿では、2組の学習可能なクエリを備えた視覚言語アクション(VLA)モデルであるReMem-VLAを紹介する。
これらのクエリはエンドツーエンドでトレーニングされ、時間とともに関連するコンテキストを集約し、維持する。
ReMem-VLAは複数の次元にまたがる強力なメモリ能力を示す。
論文 参考訳（メタデータ） (2026-03-13T12:38:42Z) - RoboMME: Benchmarking and Understanding Memory for Robotic Generalist Policies [54.23445842621374]
記憶は、長い水平と歴史に依存したロボット操作にとって重要である。
近年,視覚言語アクション(VLA)モデルにメモリ機構が組み込まれ始めている。
本稿では,VLAモデルの評価と進展のための大規模標準ベンチマークであるRoboMMEを紹介する。
論文 参考訳（メタデータ） (2026-03-04T21:59:32Z)
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。