論文の概要: ReSight: Task-Driven Self-Improving Memory for Embodied Agents
- arxiv url: http://arxiv.org/abs/2610.33487v1
- Date: Sat, 24 Oct 2026 06:32:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.342177
- Title: ReSight: Task-Driven Self-Improving Memory for Embodied Agents
- Title（参考訳）: ReSight: エージェントのタスク駆動型自己改善メモリ
- Abstract要約: 本稿では,ロボットのためのタスク駆動型自己時間記憶システムReSightを紹介する。
ReSightは、派生した分野から観察証拠を分離し、それらの関連を維持している。
我々は,実行と探索の能力ギャップを識別するExplore- Still- Still (EDM) を開発した。
EDMは、探索から派生したソリューションを、必要に応じて再利用可能なメモリ、クエリツール、スキルメモリ表現、アクセス機能に変換する。
- 参考スコア（独自算出の注目度）: 28.61544457276648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robots can use historical observations to answer spatiotemporal queries in familiar environments, but the presence of relevant evidence does not imply that existing tools support the operations a task requires. We introduce ReSight, a task-driven self-improving memory system for embodied agents that expands the capabilities for processing and accessing historical observations as task demands arise. ReSight retains keyframes and their spatiotemporal associations, separating observation evidence from extensible derived fields so that stored observations can be reprocessed for new needs. An execution agent and a coding agent share this memory through different interfaces: the former calls registered tools within a bounded online budget, while the latter uses a programmable workspace and a larger exploration budget to inspect evidence, write programs, and acquire models as needed. To realize capability expansion in ReSight, we develop Explore-Distill-Mount (EDM), which identifies capability gaps from execution and exploration records without task reference answers and converts exploration-derived solutions into reusable memory builders, query tools, and skills, extending memory representations and access capabilities as needed. Experiments on three public benchmarks demonstrate effective base memory access and capability expansion. With the execution model and online budget held fixed within each benchmark, EDM reduces mean position error on OC-NaVQA from 33.10 m to 24.72 m and improves high-level success on FindingDory from 38.3% to 63.8%. With the tools and skill frozen, success still improves by 28.3 percentage points on FindingDory episodes excluded from exploration and distillation. Experiments on real robot patrol memories further demonstrate reuse of these capabilities for subsequent queries and new memories, with fewer online tool calls on average.
- Abstract（参考訳）: ロボットは、よく知られた環境における時空間的クエリに応答するために、歴史的な観察を利用することができるが、関連する証拠の存在は、タスクが必要とする操作をサポートする既存のツールを暗示していない。
本稿では,タスク要求時の履歴観測の処理・アクセス能力を拡張した,エンボディエージェントのためのタスク駆動型自己改善メモリシステムReSightを紹介する。
ReSightはキーフレームとその時空間的関連を維持し、観測証拠を拡張可能な派生フィールドから切り離して、保存された観測を新しいニーズのために再処理することができる。
実行エージェントとコーディングエージェントは、異なるインターフェースを介してこのメモリを共有する: 前者は、制限付きオンライン予算内で登録されたツールを呼び出し、後者は、プログラム可能なワークスペースとより大きな調査予算を使用して、証拠を調べ、プログラムを書き、必要に応じてモデルを取得する。
ReSightにおける機能拡張を実現するために,タスク参照応答を使わずに実行と探索レコードから機能ギャップを識別し,探索から派生したソリューションを再利用可能なメモリビルダ,クエリツール,スキルに変換し,メモリ表現とアクセス能力を必要に応じて拡張するExplore-Distill-Mount (EDM)を開発した。
3つの公開ベンチマークの実験では、効果的なベースメモリアクセスと機能拡張が示されている。
各ベンチマーク内で固定された実行モデルとオンライン予算により、EDMはOC-NaVQAの平均位置誤差を33.10mから24.72mに減らし、FindingDoryのハイレベルな成功を38.3%から63.8%に改善した。
ツールとスキルが凍結されたことにより、調査と蒸留から除外されたFinderingDoryエピソードの28.3%の成功率はまだ改善されている。
実際のロボットパトロールメモリの実験は、その後のクエリや新しいメモリに対するこれらの機能の再利用をさらに実証し、平均的なオンラインツールコールを減らした。
関連論文リスト
- Spatial Memory by Agents, for Agents [17.605606675439763]
空間記憶により、ロボットは過去の観測を再利用し、位置付け、ナビゲーション、質問応答を行うことができる。
コーディングエージェントが反復的な実装と評価によって設計プロセスを自動化することができるかどうかを検討する。
デザイナエージェントは、固定クエリエージェントからのフィードバックを使用して、メモリ構築と検索のためのコードを書き、修正する。
3つの独立したデザインサーチの中で、Codex / GPT-6 Astraは、同じ重み付けの5トラックスコアで平均44.23であり、ReMEmbRは29.32であり、5トラックすべてをサポートする最強の評価ベースラインである。
論文 参考訳（メタデータ） (2026-10-15T23:13:47Z) - 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) - 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) - Weighted Memory Tree: Remembering What Matters for Long-Horizon LLM Agents [3.1937775271700617]
本稿では,タスク,サブタスク,アクションに実行を整理する階層型メモリシステムを提案する。
イベントベースの更新と選択ベースの減衰はこれらのスコアを改訂し、WMTが有用な情報を保存できるようにする。
線形メモリとは対照的に、WMTは平均9.97ポイントの精度を向上し、プロンプトトケン使用率を32.8%削減する。
論文 参考訳（メタデータ） (2026-08-21T00:14:38Z) - MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。
我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。
私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
論文 参考訳（メタデータ） (2026-06-23T13:52:46Z) - Memory-Augmented LLM-based Multi-Agent System for Automated Feature Generation on Tabular Data [52.80567461420316]
メモリ拡張LPMに基づくマルチエージェントシステム(textbfMALMAS)を提案する。
MALMASは生成プロセスを独立した責任を持つエージェントに分解し、ルータエージェントはイテレーション毎にエージェントの適切なサブセットを起動する。
さらに、手続きメモリ、フィードバックメモリ、概念記憶を含むメモリモジュールを統合し、その後の特徴生成を適応的に導く反復的改善を可能にする。
論文 参考訳（メタデータ） (2026-04-22T07:09:30Z) - Mem2ActBench: A Benchmark for Evaluating Long-Term Memory Utilization in Task-Oriented Autonomous Agents [20.357475946040054]
textscMem2ActBenchは、エージェントがツールベースのアクションを実行するために長期的なメモリを積極的に活用できるかどうかを評価するベンチマークである。
リバースジェネレーション法は400のツール使用タスクを生成し、ヒトの評価は91.3%が強いメモリ依存であることを確認した。
論文 参考訳（メタデータ） (2026-01-13T06:22:32Z) - Explore with Long-term Memory: A Benchmark and Multimodal LLM-based Reinforcement Learning Framework for Embodied Exploration [52.35887679314727]
長期記憶身体探索は、エージェントの探索的認知と意思決定行動を統合することを目的としている。
エージェントのメモリリコールとプロアクティブな探索能力を高めるため,我々はMemoryExplorerを提案する。
論文 参考訳（メタデータ） (2026-01-11T16:23:22Z) - Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。
10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
論文 参考訳（メタデータ） (2025-11-25T21:08:07Z) - 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。