論文の概要: LogLook: Execution-Grounded Memory for Frontier-Model Robot Planners

• arxiv url: http://arxiv.org/abs/2610.32348v1
• Date: Fri, 23 Oct 2026 08:43:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.438406
• Title: LogLook: Execution-Grounded Memory for Frontier-Model Robot Planners
• Title（参考訳）: LogLook:フロンティアモデルロボットプランナのための実行環境メモリ
• Abstract要約: 視覚言語モデルが何をしたのか、何を見たのかを記憶できることを示します。 我々はLogLookを提案し、その実行グランドメモリは、システムがレコード、実行ログ、モデルの以前のノートを保持できるようにします。 LogLookは、ノートオンリーのメモリの成功と、トークンが43%少なく、画像の半分以下で一致し、記憶や見た出来事をはるかに少なくする。
• 参考スコア（独自算出の注目度）: 10.165486908036533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many manipulation tasks require a robot to remember what it has done and what it has seen. Frontier vision-language models can plan such tasks without task-specific training, but how such a planner should remember an episode is an open question. We argue that its memory must keep track of what the planner has done and learned, and must let the planner choose what to look at, since every frame costs tokens; a note rewritten at every step meets both poorly. We propose LogLook, whose execution-grounded memory lets the system keep the record, an execution log and the model's earlier notes, while the model decides where to look: frames are returned only where it expects a change, and demonstrations are skimmed before it inspects the parts it chooses. Measured with the benchmark's motion planner, LogLook matches the success of a note-only memory with 43% fewer tokens and less than half the images, and fails far fewer episodes through what it remembered or saw. With direct control, LogLook solves 93.5% of the RoboMME test set.
• Abstract（参考訳）: 多くの操作タスクでは、ロボットが何をし、何を見たかを記憶する必要がある。 最前線の視覚言語モデルは、タスク固有のトレーニングなしでそのようなタスクを計画できるが、そのようなプランナーがエピソードをどう記憶すべきかは、オープンな疑問である。 そのメモリは、プランナーが行ったことや学んだことを追跡し続けなければなりませんし、すべてのフレームにトークンがかかるため、プランナーに何を見るべきかを選択させなければなりません。 提案するLogLookは,実行時のメモリによって,システムがレコード,実行ログ,モデルの初期ノートを保持できるが,モデルでは,フレームが変更を期待する場所にのみ返却され,デモが選択した部分を検査する前にスキップされる。 ベンチマークのモーションプランナで測定されたLogLookは、ノートオンリーのメモリの成功と、トークンが43%少なく、画像の半分以下で一致し、記憶や見た出来事をはるかに少なくする。 直接制御により、LogLookはRoboMMEテストセットの93.5%を解決した。

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)
• ECoMEM: Explicit Concept Memory for Memory-Dependent Robot Control [16.592888860803914]
  現在の視覚言語アクション(VLA)ポリシーは、アクションに必要な情報が現在の観察から消えると、しばしば失敗する。 既存のアプローチは通常、長い歴史を提供するか、観察行動軌跡から暗黙の記憶を学ぶ。 私たちは、過去の証拠を根拠とした説明を、その行動の学習から切り離しています。
  論文  参考訳（メタデータ） (2026-09-30T22:54:28Z)
• GaussMemory: Task-Driven 3D Gaussian Scene Memory for Long-Horizon Robotic Manipulation [10.233658861023612]
  長距離ロボット操作は永続的な空間記憶に依存している。 既存の3Dメモリシステムは、固定された手作りのルールを使用して観測を記憶する。 本稿では、パッシブストレージからアクティブなタスク駆動空間記憶へのパラダイムシフトを提案する。
  論文  参考訳（メタデータ） (2026-08-15T02:28:59Z)
• AutoMem: Automated Learning of Memory as a Cognitive Skill [63.07128029793901]
  記憶の専門知識は学習したスキルであることを示す。 メモリ管理の2つの軸を自動化するフレームワークであるAutoMemを紹介する。 その結果,メモリ管理は独立して学習可能なスキルであることが示唆された。
  論文  参考訳（メタデータ） (2026-07-01T17:57:03Z)
• 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)
• Worth Remembering: Surprise-Gated Robot Episodic Memory [12.101245779148316]
  本稿では,V-JEPA-2によって提供されるセマンティックにリッチなデプロイメントに依存しない潜在空間において,サプライズを計算する手法を提案する。 4次元シーングラフに基づく空間記憶を増強するために,我々のゲート型エピソードメモリを用いて,ロボット質問応答における最先端ベンチマークよりも一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-06-02T15:39:27Z)
• 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)
• 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)
• MEM: Multi-Scale Embodied Memory for Vision Language Action Models [73.3883864595845]
  本稿では,マルチスケール・エンボダイドメモリ(MEM)について紹介する。 MEMはビデオベースの短水平メモリをビデオエンコーダで圧縮し、テキストベースの長水平メモリと組み合わせている。 MEMは、キッチンを掃除したり、チーズサンドイッチを焼いたりして、最大15分間のタスクをロボットが実行できるようにする。
  論文  参考訳（メタデータ） (2026-03-04T00:03:02Z)

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。