論文の概要: Remember Where You Walk: Learning Spatial Memory for End-to-End Legged Robot Exploration

• arxiv url: http://arxiv.org/abs/2610.37203v1
• Date: Tue, 27 Oct 2026 13:22:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.635755
• Title: Remember Where You Walk: Learning Spatial Memory for End-to-End Legged Robot Exploration
• Title（参考訳）: 歩く場所を思い出す: 終端から終端までのロボット探査のための空間記憶学習
• Abstract要約: 本稿では,ロボットナビゲーションを対象とするアダマールメモリに基づくネットワークアーキテクチャを提案する。 我々のローカル空間行列メモリ(LSMM)は、RLエージェントが特定の位置ベースのメモリセルに一般的なタスク関連情報を格納することを可能にする。 我々はLSMMを自律的な迷路探索のタスクで評価し、そこでは迷路レイアウトを記憶する唯一のアーキテクチャでありながら、強い反復と有限歴史のベースラインの迷路カバレッジと一致する。
• 参考スコア（独自算出の注目度）: 14.509892880738532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoids and other legged robots operating in complex environments must remember information that leaves their field of view and only becomes relevant much later. Reinforcement learning policies address this using memory networks such as LSTMs that are trained end-to-end with the policy to memorize such task-relevant aspects. Yet, such architectures often fail to preserve sufficient information over long horizons. In this work, we propose a network architecture based on Hadamard memory that specifically targets robot navigation. Our Local Spatial Matrix Memory (LSMM) enables RL agents to store generic task-relevant information at specific, position-based memory cells, enabling flexible and spatially grounded memorization. We evaluate LSMM on the task of autonomous maze exploration, where it matches the maze coverage of strong recurrent and finite-history baselines while being the only architecture that remembers the maze layout, reducing the reconstruction error threefold.
• Abstract（参考訳）: 複雑な環境で動作しているヒューマノイドや他の脚のあるロボットは、視野を離れて、しばらく後に関係を持つようになる情報を記憶しなければならない。 強化学習ポリシーは、このようなタスク関連側面を記憶するポリシーでエンドツーエンドに訓練されたLSTMなどのメモリネットワークを使用してこの問題に対処する。 しかし、このようなアーキテクチャは長い地平線上で十分な情報を保存できないことが多い。 本研究では,ロボットナビゲーションを対象とするアダマールメモリに基づくネットワークアーキテクチャを提案する。 我々のローカル空間行列メモリ(LSMM)は、RLエージェントが特定の位置ベースのメモリセルに汎用的なタスク関連情報を格納し、フレキシブルで空間的な記憶を可能にする。 我々はLSMMを自律的な迷路探索のタスクで評価し、そこでは、迷路配置を記憶する唯一のアーキテクチャでありながら、強い反復と有限歴史のベースラインの迷路被覆と一致し、再構成誤差を3倍に減らした。

関連論文リスト

• Learning to Remember: Advances in Memory Mechanisms for Large Language Models [23.136739463702423]
  この調査では、メモリのライフサイクル、記憶基板、LLMベースのエージェントでメモリが果たすシステムの役割の3つの相補的な側面に関する文献を整理した。 概念的モチベーション、計算メモリ機構、ベンチマーク、デプロイメントに関する懸念を合わせることで、この調査は、メモリ拡張LDMエージェントを設計するための構造化されたロードマップを提供する。
  論文  参考訳（メタデータ） (2026-10-26T09:31:04Z)
• Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering [93.80043825360514]
  EQA(Embodied Question answering)は、伝統的にエピソードの定式化の下で評価され、エージェントは各タスクを独立して解決し、エピソード間の内部状態をリセットする。 EQAエージェントを逐次評価する際に異なるメモリアーキテクチャがどのように振る舞うかを検討する。 既存のメモリを単純に保存することは、しばしば不十分である。 連続したシーン表現の視覚的意味的証拠を3次元幾何学にマッピングするアーキテクチャについて, 構造的, 空間的基盤的記憶の必要性を強調した。
  論文  参考訳（メタデータ） (2026-07-23T17:50:45Z)
• RoboMemArena: A Comprehensive and Challenging Robotic Memory Benchmark [49.16825786282095]
  記憶はロボットインテリジェンスにとって重要な要素であり、ロボットは長期のタスクを達成するために過去の観察と行動に頼る必要がある。 既存のロボットメモリベンチマークには、メモリ形成のためのマルチモーダルアノテーションがなく、タスクカバレッジと構造的複雑さが制限されており、実際の評価なしにシミュレーションに制限されている。 このギャップに対処するため、26タスクの大規模ベンチマークであるRoboMemArenaでは、タスク毎の平均軌道長が1,000ステップを超え、サブタスクの68.9%がメモリ依存である。
  論文  参考訳（メタデータ） (2026-05-11T17:54:49Z)
• Memory in the Age of AI Agents [217.9368190980982]
  この研究は、現在のエージェントメモリ研究の最新の展望を提供することを目的としている。 我々は,エージェントメモリ,すなわちトークンレベル,パラメトリック,潜時メモリの3つの支配的実現を同定する。 実用的な開発を支援するため、メモリベンチマークとオープンソースフレームワークの包括的な概要をコンパイルする。
  論文  参考訳（メタデータ） (2025-12-15T17:22:34Z)
• MemOS: A Memory OS for AI System [116.87568350346537]
  大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。 既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。 MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
  論文  参考訳（メタデータ） (2025-07-04T17:21:46Z)
• Memory, Benchmark & Robots: A Benchmark for Solving Complex Tasks with Reinforcement Learning [41.94295877935867]
  メモリは、エージェントが時間的および空間的依存関係を持つ複雑なタスクに対処できるようにするために不可欠である。 多くの強化学習アルゴリズムにはメモリが組み込まれているが、エージェントのメモリ能力を評価するための普遍的なベンチマークがない。 メモリRLの総合ベンチマークであるMIKASAを紹介する。
  論文  参考訳（メタデータ） (2025-02-14T20:46:19Z)
• End-to-End Egospheric Spatial Memory [32.42361470456194]
  Egospheric Spatial Memory (ESM) と呼ばれるパラメータフリーのモジュールを提案し、エージェントの周りの自我圏内のメモリをエンコードする。 ESMは模倣あるいは強化学習を通じてエンドツーエンドでトレーニングすることができる。 ScanNetデータセット上でのセマンティックセグメンテーションへの適用を示す。ESMは画像レベルとマップレベルの推論モダリティを自然に組み合わせている。
  論文  参考訳（メタデータ） (2021-02-15T18:59:07Z)

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。