論文の概要: inr2action: Encoding Robot Episodes as Neural Implicit Representations for Recall and Action
- arxiv url: http://arxiv.org/abs/2610.28882v1
- Date: Tue, 20 Oct 2026 20:00:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 09:50:43.219012
- Title: inr2action: Encoding Robot Episodes as Neural Implicit Representations for Recall and Action
- Title（参考訳）: inr2action:リコールとアクションのためのニューラルインシシシト表現としてロボットエピソードをエンコードする
- Abstract要約: 長距離ロボット操作には、実行時間ではなく重要な情報でスケールするメモリが必要である。
本稿では,各エピソードを分離可能なオブジェクトとして格納するパラメータ空間メモリフレームワークを提案する。
RoboMMEでは、言語モデルは全ての質問タイプでチャンスを超え、デコーダは平均$R2$の0.51を達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon robotic operation requires memory that scales with essential information rather than execution time. We present a parameter-space memory framework where each episode is stored as a separable object. A neural implicit representation is fitted to episode video from a shared, meta-learned initialization; the resulting weight delta constitutes the memory. Crucially, this delta remains a fixed size regardless of whether the episode spans a hundred or a hundred thousand frames. A learned projector maps the weight delta into token embeddings, conditioning a language model for question answering and a decoder for joint command regression, without frame retrieval at query time. On RoboMME, the language model exceeds chance across all question types, and the decoder achieves a mean $R^2$ of 0.51. Replacing the delta with matched noise drops performance by 11.4 points, while random-origin weights are non-decodable, proving the meta-learned initialization is essential for embedding episode content. By representing individual experiences as fixed-size weight deltas in a common parameter space, this approach decouples memory cost from time horizon and provides a basis for scalable streaming memory.
- Abstract（参考訳）: 長距離ロボット操作には、実行時間ではなく重要な情報でスケールするメモリが必要である。
本稿では,各エピソードを分離可能なオブジェクトとして格納するパラメータ空間メモリフレームワークを提案する。
ニューラル暗黙表現は、共有されメタ学習された初期化からのエピソードビデオに適合し、結果として重みデルタがメモリを構成する。
重要なことに、このデルタは、エピソードが10万フレームから10万フレームにまたがるかどうかに関わらず、固定サイズのままである。
学習されたプロジェクタは、ウェイトデルタをトークン埋め込みにマッピングし、質問応答のための言語モデルと、クエリ時にフレーム検索なしで共同コマンド回帰のためのデコーダを条件付ける。
RoboMMEでは、言語モデルは全ての質問タイプでチャンスを超え、デコーダは平均$R^2$の0.51を達成する。
一致した雑音でデルタをリプレースすると11.4ポイント性能が低下し、ランダムなオリジン重みは非復調可能となり、メタ学習初期化がエピソード内容の埋め込みに不可欠であることが証明された。
共通のパラメータ空間における個々のエクスペリエンスを固定サイズの重みデルタとして表現することにより、このアプローチはメモリコストを時間的水平線から切り離し、スケーラブルなストリーミングメモリの基盤を提供する。
関連論文リスト
- 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) - SlotMemory: Object-Centric KV Memory for Streaming Long-Video Generation [30.157534925157844]
SlotMemoryは、ビデオ拡散をストリーミングするためのオブジェクト中心のKey-Valueメモリメカニズムである。
我々のアプローチでは、イベントが発生したときのメモリ抽象化を、トランスフォーマーのキー-値多様体を分解することで、"何"が表現されているかに変換する。
論文 参考訳（メタデータ） (2026-05-29T09:04:26Z) - Mixture of Contexts for Long Video Generation [72.96361488755986]
我々は長文ビデオ生成を内部情報検索タスクとして再放送する。
本稿では,学習可能なスパークアテンション・ルーティング・モジュールであるMixture of Contexts (MoC) を提案する。
データをスケールしてルーティングを徐々に分散させていくと、そのモデルは計算を適切な履歴に割り当て、アイデンティティ、アクション、シーンを数分のコンテンツで保存する。
論文 参考訳（メタデータ） (2025-08-28T17:57:55Z) - Streaming Long Video Understanding with Large Language Models [83.11094441893435]
VideoStreamingは、ビデオ理解のための高度な視覚言語大モデル(VLLM)である。
一定の数のビデオストリーミングトークンを符号化し、伝播的に選択した任意の長さのビデオを理解することができる。
提案モデルは,長大なビデオベンチマークにおいて,優れた性能と高効率を実現する。
論文 参考訳（メタデータ） (2024-05-25T02:22:09Z) - 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) - LaMemo: Language Modeling with Look-Ahead Memory [50.6248714811912]
右側トークンへの漸進的参加により再帰記憶を向上させるLook-Ahead Memory(LaMemo)を提案する。
LaMemoは、メモリ長に比例した追加のオーバーヘッドで、双方向の注意とセグメントの再発を受け入れる。
広く使われている言語モデリングベンチマークの実験は、異なる種類のメモリを備えたベースラインよりも優れていることを示した。
論文 参考訳（メタデータ） (2022-04-15T06:11:25Z) - A model of semantic completion in generative episodic memory [0.6690874707758508]
本稿では,生成エピソード記憶のための計算モデルを提案する。
このモデルは、意味論的に妥当な方法で、メモリトレースの欠落部分を完成させることができる。
また、エピソードメモリ実験をモデル化し、意味論的コングロレントコンテキストが常に非コングロレントメモリ実験よりもよくリコールされることを再現する。
論文 参考訳（メタデータ） (2021-11-26T15:14:17Z)
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。