論文の概要: EventSync: Event-Driven Memory Updates for History-Dependent Manipulation
- arxiv url: http://arxiv.org/abs/2610.27917v1
- Date: Tue, 20 Oct 2026 09:29:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.743609
- Title: EventSync: Event-Driven Memory Updates for History-Dependent Manipulation
- Title（参考訳）: EventSync: 履歴依存操作のためのイベント駆動メモリ更新
- Abstract要約: EventSyncは、イベント駆動メモリ更新を通じてタスク推論とアクション実行を調整する階層的なフレームワークである。
軽量のEvent Monitorは、視覚観察とエンドエフェクタトラジェクタを組み合わせて、現在のサブゴールが完了したかどうかを判断する。
異なるメモリ要件を持つ4つの実ロボットタスクの実験は、実世界のロボット操作におけるフレームワークの有効性を検証する。
- 参考スコア（独自算出の注目度）: 10.431959305194203
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: History-dependent robotic manipulation requires task context and interaction history, as the current observation alone is insufficient to determine the next action. Hierarchical frameworks use task memory for high-level subgoal reasoning and low-level policies for execution. However, memory updates require accurate completion assessment: similar observations may correspond to different execution phases, and prematurely recording completion can mislead subsequent subgoal reasoning. We present EventSync, a hierarchical framework that coordinates task reasoning and action execution through event-driven memory updates. A vision-language model generates subgoals from task plans and interaction history, while a vision-language-action model executes them. A lightweight Event Monitor combines visual observations with end-effector trajectories to determine whether the current subgoal is complete. The framework records the current subgoal in its completed-subgoal history and triggers subsequent reasoning only after obtaining completion evidence. With visual history in the executor, EventSync achieves 64.5% overall success on RoboMME, exceeding the best baseline reported in the benchmark by 20.0 percentage points. Further analysis shows that this update mechanism helps build a reliable completed-subgoal history. Experiments on four real-robot tasks with different memory requirements validate the framework's effectiveness in real-world robotic manipulation.
- Abstract（参考訳）: 歴史に依存したロボット操作は、現在の観察だけで次の行動を決定するには不十分であるため、タスクコンテキストとインタラクション履歴を必要とする。
階層的なフレームワークでは、タスクメモリをハイレベルなサブゴナル推論と低レベルな実行ポリシーに使用しています。
しかし、メモリ更新には正確な完了評価が必要であり、同様の観測は異なる実行フェーズに対応し、早い段階での完了記録はその後の下位推論を誤解させる可能性がある。
イベント駆動メモリ更新を通じてタスク推論とアクション実行を調整する階層的なフレームワークであるEventSyncを紹介します。
視覚言語モデルがタスク計画とインタラクション履歴からサブゴールを生成し、視覚言語アクションモデルがそれらを実行します。
軽量のEvent Monitorは、視覚観察とエンドエフェクタトラジェクタを組み合わせて、現在のサブゴールが完了したかどうかを判断する。
このフレームワークは、現在のサブゴールを完了したサブゴールの歴史に記録し、完了した証拠を得た後にのみ、その後の推論をトリガーする。
実行者の視覚的履歴により、EventSyncはRoboMMEで64.5%の成功を達成し、ベンチマークで報告された最高のベースラインを20.0ポイント上回った。
さらなる分析は、この更新メカニズムが信頼性の高いサブゴナル履歴の構築に役立つことを示している。
メモリ要求が異なる4つの実ロボットタスクの実験は、実世界のロボット操作におけるフレームワークの有効性を検証する。
関連論文リスト
- What Should Embodied Agents Remember? Benchmarking and Evaluating Memory Modality for Embodied Agents [28.01998384150996]
メモリにより、大きな言語モデル(LLM)エージェントは、リクエストに応答するときに、しばしばテキストレコードとして格納される過去の経験を使用することができる。
MeMoREvalは、制御されたエクスペリエンス要求プロトコルを通じてこの問題を研究するためのベンチマークである。
論文 参考訳（メタデータ） (2026-10-08T18:00:03Z) - WorldGuide: Goal-Directed Video World Model for Procedural Task Execution [72.44464069390854]
視覚空間における閉ループタスク実行としての手続き型ビデオ生成の定式化
WorldGuideはアトミックアクションを予測し、対応するビデオクリップを生成し、生成された結果を使用して次のアクションを選択したり、終了したりする。
WorldGuideはtextbfWorldGuide-Benchで33.33%のタスク成功を達成したが、最近の強力なビデオモデルMiniMax-H3では29.90%だった。
論文 参考訳（メタデータ） (2026-10-08T17:59:31Z) - Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents [51.804747364500344]
本稿では,人間の記憶を動機とした新しいメモリ構築とアクティベーションフレームワークQGMemを提案する。
QGMemは、長い対話履歴を個々の体験を保存するイベントインデックス化された原子記憶ユニットに変換する。
検索,マルチホップエビデンス構成,コンフリクト解決,コンパクトな文脈による超長文対話推論において,一貫した利得を示す。
論文 参考訳（メタデータ） (2026-10-08T13:17:59Z) - Grounded in Time: A Multi-Source Dataset and Benchmark for Temporal Grounding in Robotic Manipulation [22.18425865375922]
GiTは、バイオラボラトリー、家庭用、産業シナリオにわたる過去のイベントにおける操作決定の基礎となるデータセットとベンチマークである。
実ロボットとユニバーサルマニピュレーションインタフェース(UMI)スタイルのデモとシミュレーションデータ、9つのタスクをカバーするManiSkillベースの評価スイートが含まれている。
論文 参考訳（メタデータ） (2026-10-03T03:25:24Z) - Benchmarking and Enhancing Skill-Level Memory for Partially Observable Robotic Manipulation [20.517002705537895]
ロボット学習の最近の進歩により、操作ポリシーはますます多様なタスクをこなせるようになった。
信頼できる実行は、しばしば現在の観測だけでは決定できない隠されたタスク状態に依存します。
部分的な可観測性の下での操作メモリ評価のためのベンチマークである$HIDE$を紹介した。
論文 参考訳（メタデータ） (2026-09-30T03:35:00Z) - Memory as Plans: World-Action Modeling with Memory-Grounded Planning [33.29460541345171]
MaP-WAMはメモリ依存のワールドアクションモデリングをメモリグランドプランニングとプランコンディショニングに分解するメモリ・アズ・プランンズフレームワークである。
MaP-WAMはRMBenchの最先端のパフォーマンスを83.3%の成功率で達成し、実際のロボットタスクで78.0%の成功を達成した。
論文 参考訳（メタデータ） (2026-09-10T13:52:51Z) - WorldScape Policy 2.0: Empowering Steerable World Action Modeling with Reasoning-Augmented Memory [50.19449886428936]
We introduced WorldScape Policy 2.0, a controllable WAM with reasoning-augmented long long-term memory。
検索された履歴は、認識と自己回帰的に生成された計画トークンを増大させ、自律的な計画のための暗黙のサブゴール条件をもたらす。
シミュレーションと実世界のプラットフォームにおける実験は、長期の自律計画、きめ細かい指示、文脈内適応において優れた能力を示す。
論文 参考訳（メタデータ） (2026-07-21T08:25:37Z) - MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。
MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。
長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
論文 参考訳（メタデータ） (2026-07-14T15:33:44Z) - FindingDory: A Benchmark to Evaluate Memory in Embodied Agents [49.18498389833308]
本研究では,Habitatシミュレータに長距離エンボディタスクのための新しいベンチマークを導入する。
このベンチマークは、持続的なエンゲージメントとコンテキスト認識を必要とする60タスクにわたるメモリベースの機能を評価する。
論文 参考訳（メタデータ） (2025-06-18T17:06:28Z)
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。