論文の概要: Variational Cognitive Memory Abstraction for Long-Horizon Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.34251v1
• Date: Sun, 25 Oct 2026 12:24:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.566801
• Title: Variational Cognitive Memory Abstraction for Long-Horizon Vision-Language-Action Models
• Title（参考訳）: 長距離視覚・言語・行動モデルのための変分認知記憶抽象化
• Abstract要約: VLA(Vision-Language-Action)モデルは、ロボット操作において顕著な成功を収めている。 しかし、長期メモリモデリングが不十分なため、長期的なタスクを実行する能力は依然として限られている。 本稿では,VLAシステムがタスク関連履歴情報を選択的に保存・再利用することのできる,新しい変分認知記憶フレームワークであるCogMemoryを提案する。
• 参考スコア（独自算出の注目度）: 26.210831547774152
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Vision-Language-Action (VLA) models have shown remarkable success in robotic manipulation, yet their ability to execute long-horizon tasks remains limited by insufficient long- term memory modeling. Existing methods either rely on implicit temporal representations within policy networks, where historical information can be gradually diluted, or maintain explicit memory buffers that suffer from redundancy, noise accumulation, and inefficient retrieval. In this paper, we propose CogMemory, a novel variational cognitive memory framework that enables VLA systems to selectively preserve and reuse task-relevant historical information. Our approach encodes multimodal trajectories into compact latent memory representations through a selective state- space memory encoder, multi-slot temporal abstraction, and variational information compression. During action generation, dynamic cross-attention retrieval with gated fusion adaptively incorporates relevant memories into policy prediction. With merely 3.45M additional parameters, CogMemory stays lightweight and seamlessly fits both early- and intermediate-fusion VLA backbones. Extensive experiments on long-horizon robotic manipulation benchmarks demonstrate consistent improvements across diverse VLA backbones.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、ロボット操作において顕著な成功を収めているが、長期的なタスクの実行能力は、長期記憶モデリングの不十分さによって制限されている。 既存の手法はポリシーネットワーク内の暗黙の時間的表現に依存しており、歴史的情報を徐々に希釈したり、冗長性、ノイズ蓄積、非効率な検索に苦しむ明示的なメモリバッファを維持できる。 本稿では,VLAシステムがタスク関連履歴情報を選択的に保存・再利用することを可能にする,新しい変分認知記憶フレームワークであるCagMemoryを提案する。 提案手法は,空間メモリエンコーダ,マルチスロット時間的抽象化,変動情報圧縮により,マルチモーダルトラジェクトリをコンパクトな潜在メモリ表現に符号化する。 動作生成中、ゲート融合による動的クロスアテンション検索は、関連する記憶をポリシー予測に適応的に組み込む。 3.45Mの追加パラメータだけで、CogMemoryは軽量であり、早期および中間融合VLAバックボーンの両方にシームレスに適合する。 長期のロボット操作ベンチマークに関する大規模な実験は、多様なVLAバックボーン間で一貫した改善を実証している。

関連論文リスト

• From Sliding Windows to Self-evolving Lifelong Memory: A Dual-perspective Survey of Memory Paradigms for Long-Horizon Robotics VLA Models [5.336008978556259]
  ロングホライズンロボットタスクは、現在のビジョン・ランゲージ・アクションモデルの基本的限界を明らかにする。 その結果、メモリは、エンボディエージェントが長期の推論と適応的な意思決定を行えるようにするための基本的な構成要素となっている。 本研究は,記憶範囲と永続性に基づくVLA記憶機構の系統分類を提示する。
  論文  参考訳（メタデータ） (2026-10-16T11:23:17Z)
• CineMem: Attention-Aligned Fine-grained Memory Retrieval for Multi-Shot Long Video Generation [48.960736196535095]
  自動回帰ビデオ生成は、長距離依存をモデル化するためにメモリ検索に依存する。 既存の方法は、フレームレベルでメモリ検索を行い、すべてのクエリトークンで同じ履歴コンテキストを共有する傾向がある。 我々はCineMemを紹介した。CineMemは、オンラインメモリ組織とクエリ適応検索を組み合わせた微粒化メモリ検索フレームワークである。
  論文  参考訳（メタデータ） (2026-10-13T08:14:08Z)
• MemoryWAM: Efficient World Action Modeling with Persistent Memory [80.90899269062128]
  本稿では,効率的な永続メモリを持つ世界アクションモデルであるMemoryWAMを紹介する。 調整された注意機構は、詳細な短期コンテキストと圧縮された長期コンテキストの両方の検索を可能にする。 MemoryWAMは、シミュレーションと実世界の両方において、強力な視覚言語アクション(VLA)とWAMベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-06-18T17:59:51Z)
• ReMem-VLA: Empowering Vision-Language-Action Model with Memory via Dual-Level Recurrent Queries [45.23935281952228]
  本稿では、2組の学習可能なクエリを備えた視覚言語アクション(VLA)モデルであるReMem-VLAを紹介する。 これらのクエリはエンドツーエンドでトレーニングされ、時間とともに関連するコンテキストを集約し、維持する。 ReMem-VLAは複数の次元にまたがる強力なメモリ能力を示す。
  論文  参考訳（メタデータ） (2026-03-13T12:38:42Z)
• 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)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• Long-Context State-Space Video World Models [66.28743632951218]
  本稿では、状態空間モデル(SSM)を活用して、計算効率を損なうことなく時間記憶を拡張する新しいアーキテクチャを提案する。 我々の設計の中心はブロックワイズSSMスキャン方式であり、時間記憶の拡張のために空間整合性を戦略的にトレードオフする。 メモリ迷路とMinecraftのデータセットの実験は、我々のアプローチが長距離メモリ保存のベースラインを超えたことを示している。
  論文  参考訳（メタデータ） (2025-05-26T16:12:41Z)
• Stable Hadamard Memory: Revitalizing Memory-Augmented Agents for Reinforcement Learning [64.93848182403116]
  現在のディープラーニングメモリモデルは、部分的に観察可能で長期にわたる強化学習環境で苦労している。 本稿では,強化学習エージェントのための新しい記憶モデルであるStable Hadamard Memoryを紹介する。 我々の手法は、部分的に観測可能なベンチマークに挑戦する上で、最先端のメモリベースの手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T03:50:17Z)

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。