論文の概要: Industrial ReMEmbR: Scaling Spatiotemporal Memory to Robot Fleets
- arxiv url: http://arxiv.org/abs/2610.28624v1
- Date: Tue, 20 Oct 2026 17:58:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.979652
- Title: Industrial ReMEmbR: Scaling Spatiotemporal Memory to Robot Fleets
- Title（参考訳）: 産業用ReMEmbR:ロボットフリートへの時空間記憶のスケーリング
- Abstract要約: IndustrialRemembr — NVIDIA ReMEmbRをロボットフリートに説明し、必要に応じてシーン記述を生成することでサーバ側のメモリを削減する。
各ロボットでは、NVIDIA JetsonがビデオクリップをCosmos1による検索埋め込み、Cosmos3-Edgeによる視覚トークン、Wan2.2 VAEによる再現を、生のカメラフレームをアップロードすることなくエンコードする。
この設計は書き込み時のキャプション生成を排除し、キャッシュトケンデコードでは450個のテストされたデコードすべてで未分割モデルの出力を再現する。
- 参考スコア（独自算出の注目度）: 2.7167119353645206
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Warehouse robot fleets continuously observe operational conditions, but preserving these observations as reusable semantic memory incurs substantial computation, communication, and storage costs. For example, explaining recurring aisle blockages can require reviewing video from multiple robots across several shifts. We present IndustrialRemembr, a shared spatiotemporal memory system that extends NVIDIA ReMEmbR to robot fleets and reduces server-side computation by generating scene descriptions only on demand. On each robot, an NVIDIA Jetson encodes video clips into retrieval embeddings with Cosmos-Embed1, vision tokens with Cosmos3-Edge, and reconstruction latents with the Wan2.2 VAE, without uploading raw camera frames. The encoding models are re-used to detect people in image patches, zeroing them out to support PII abstraction for GDPR-compliant deployments. We split Cosmos3-Edge at its vision-language boundary, placing the vision encoder on the robot and the language decoder on an on-premises server. A Nemotron agent retrieves memories by content, position, and time and queries the decoder using cached vision tokens. This design eliminates caption generation at write time, while cached-token decoding reproduces the unsplit model's output in all 450 tested decodes.
- Abstract（参考訳）: ウェアハウスロボットは運用状況を継続的に観察するが、再利用可能なセマンティックメモリとしてこれらの観測を保存することは、相当な計算、通信、ストレージコストを引き起こす。
例えば、繰り返し発生する通路の閉塞を説明するには、複数のシフトで複数のロボットの映像をレビューする必要がある。
IndustrialRemembrは、NVIDIA ReMEmbRをロボット群に拡張する共有時空間メモリシステムであり、要求に応じてシーン記述を生成することでサーバ側の計算を削減できる。
各ロボットでは、NVIDIA JetsonがビデオクリップをCosmos-Embed1による検索埋め込み、Cosmos3-Edgeによるビジョントークン、Wan2.2 VAEによるラテントを生のカメラフレームをアップロードすることなく再現する。
エンコーディングモデルは、イメージパッチ内の人々を検知するために再使用され、GDPR準拠のデプロイメントのためのPII抽象化をサポートするためにそれらをゼロにする。
私たちはCosmos3-Edgeをビジョン言語境界に分割し、ビジョンエンコーダをロボットに、言語デコーダをオンプレミスサーバに配置した。
ネモトロンエージェントは、メモリを内容、位置、時間で検索し、キャッシュされた視覚トークンを使用してデコーダをクエリする。
この設計は書き込み時のキャプション生成を排除し、キャッシュトケンデコードでは450個のテストされたデコードすべてで未分割モデルの出力を再現する。
関連論文リスト
- WIRE: Weight Space Implicit Representation Encoding of Frozen Video LLMs [50.26647187459162]
ビデオ言語モデルは、デコーダの入力に視覚的な埋め込みの長いシーケンスとしてビデオを表す。
凍結したビデオ言語モデルの映像の一部を移動させることにより、この繰り返しコストを低減できるWIRE(Weight Space Implicit Representation)を提案する。
Qwen3-VL-8Bでは、1フレームあたり16のキャリアトークンを持つWIREは、ビジュアルストリームを3.5Times$で、デコーダのプリフィル時間を256フレームで$3.35times$、1024フレームで$4.14times$で削減し、キーバリューキャッシュを比例的に縮小し、トークンの復号遅延をほぼ一定に保つ。
論文 参考訳（メタデータ） (2026-10-12T20:13:21Z) - WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory [60.18419531120148]
我々は、この目的のためにカメラクエリ可能な暗黙的な3Dメモリを学ぶビデオワールドモデルであるWorldCrafterを紹介する。
重要な洞察は、要求された視点をビデオジェネレータの限定トークン予算にマルチビューエビデンスを圧縮する方法を形作ることである。
静的および動的シーンにわたる実験では、長距離一貫性とカメラ制御精度が大幅に向上した。
論文 参考訳（メタデータ） (2026-09-21T17:57:06Z) - When Robots Exchange Meaning: A Demo of Goal-Oriented Semantic Communications for Collaborative Robotics [2.7158085195874713]
本稿では,ロボット側視覚圧縮,エッジ側セマンティックマッピング,ダッシュボードベースのミッションインタラクションを統合した,ロボットエッジセマンティックコミュニケーション(SemCom)テストベッドを提案する。
RGB-DセンシングとLiDARを備えた移動ロボットがROS2を動作させ、Jetson Orinエッジノードが再構成、セマンティックオブジェクトハンドリング、可視化を行う。
再構成されたビジュアルストリームは、下流ロボットアプリケーションのためのセマンティックマップを生成するために、深さ、ポーズ、および3Dマッピング情報にさらに関連付けられる。
論文 参考訳（メタデータ） (2026-07-30T14:16:23Z) - MemoryVAM: Integrating Memory into Video Action Model for Robot Manipulation [32.07039868974098]
本稿では,ビデオワールドモデルポリシーのためのエピソードメモリ機構であるMemoryVAMを提案する。
我々はRecap-Cue(RC)モジュールを使用し、PerceiverベースのRecapはフレーム単位のCLIPをコンパクトなメモリトークンにマップする。
これらのトークンはビデオバックボーンとアクションデコーダの両方に注入され、ポリシーのイマジネーションとエピソードの進行と履歴の条件付けとを一致させる。
論文 参考訳（メタデータ） (2026-06-13T08:54:52Z) - Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。
既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。
我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
論文 参考訳（メタデータ） (2026-06-08T17:54:10Z) - Teaching Video Generators to Remember: Eliciting Dynamic Memory for Out-of-Sight State Evolution [25.63670341165374]
ビデオモデルは、証拠が保存されていないときに進化する状態を維持すべきであるが、現在のジェネレータは割り込み時に隠れた状態を凍結することが多い。
本稿では,メモリ指向データ,イベント認識トレーニング,キャッシュ型適応による動的メモリ動作を実現するフレームワークであるReMindを紹介する。
論文 参考訳（メタデータ） (2026-05-25T01:30:41Z) - ReMEmbR: Building and Reasoning Over Long-Horizon Spatio-Temporal Memory for Robot Navigation [9.468486766002625]
ロボットと対話する人々は、それがいつ起きたのか、どれくらい昔に起きたのかといった質問をしたいかもしれない。
本稿では,ロボットナビゲーションのための長時間ビデオ質問応答システムであるReMEmbRを紹介する。
我々の実験により、ReMEmbRはLLMとVLMのベースラインよりも優れており、低レイテンシで効率的な長距離推論を実現することができることが示された。
論文 参考訳（メタデータ） (2024-09-20T17:50:07Z) - Token Turing Machines [53.22971546637947]
Token Turing Machines (TTM) はシーケンシャルな自己回帰型トランスフォーマーモデルである。
我々のモデルは、セミナルなニューラルチューリングマシンにインスパイアされ、以前の履歴を要約するトークンの集合からなる外部メモリを持つ。
論文 参考訳（メタデータ） (2022-11-16T18:59:18Z) - Recurrent Dynamic Embedding for Video Object Segmentation [54.52527157232795]
一定サイズのメモリバンクを構築するためにRDE(Recurrent Dynamic Embedding)を提案する。
本稿では, SAM を長時間の動画でより堅牢にするため, トレーニング段階での無バイアス誘導損失を提案する。
また、メモリバンクの異なる品質のマスクの埋め込みをネットワークが修復できるように、新たな自己補正戦略を設計する。
論文 参考訳（メタデータ） (2022-05-08T02:24:43Z)
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。