論文の概要: Learning to Live: A Step Toward Lifelong Embodied Intelligence

• arxiv url: http://arxiv.org/abs/2611.00180v2
• Date: Wed, 04 Nov 2026 13:26:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.599801
• Title: Learning to Live: A Step Toward Lifelong Embodied Intelligence
• Title（参考訳）: 生きることを学ぶ:生涯の身体的知性への一歩
• Abstract要約: LIFE(Lifelong Intelligence from Experience)は,ロボットが連続的に観察し,選択的に記憶し,体験を新たな能力に変えるフレームワークである。 軽量ストリーミングゲートのファミリーであるRoboBeatsは、エージェントが設定した条件を追跡し、新しいイベントを発見する。 Explore-Distill-Mount (EDM)は、問題解決中に見つかったソリューションを、検証済みで再利用可能なツールやスキルに変える。
• 参考スコア（独自算出の注目度）: 26.467446700872713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embodied agents are usually organized around individual tasks, yet the physical world keeps changing between tasks and during execution. We introduce LIFE (Lifelong Intelligence from Experience), a framework in which a robot observes continuously, remembers selectively, and turns experience into new capabilities. RoboBeats, a family of lightweight streaming gates, tracks conditions set by the agent and discovers new events, deciding when an observation warrants a response or a memory write. Selected observations enter Plastic Memory, a flat store of images and structured records that keeps the source evidence, so new fields and indexes can be added when later questions need them. When existing tools fall short, Explore-Distill-Mount (EDM) turns solutions found during problem solving into validated, reusable tools and skills. Under matched protocols, RoboBeats substantially improves condition tracking over its base models and, at the same writing budget, retains more useful evidence for memory question answering than uniform sampling. A case study of limited scale, replaying 24 hours of continuous video recorded by a real robot, illustrates how the integrated system builds memory from a day of experience and uses it to answer everyday questions. LIFE takes a step toward robots that become more familiar with their surroundings and more capable through experience: learning not only to complete tasks, but to live in the world.
• Abstract（参考訳）: エージェントは通常、個々のタスクを中心に組織されるが、物理世界はタスクと実行の間に変化し続けている。 LIFE(Lifelong Intelligence from Experience)は,ロボットが連続的に観察し,選択的に記憶し,体験を新たな能力に変えるフレームワークである。 軽量ストリーミングゲートのファミリーであるRoboBeatsは、エージェントが設定した条件を追跡し、新しいイベントを検出し、観察者が応答やメモリ書き込みをいつ保証するかを決定する。 選択された観察は、ソースの証拠を保持するフラットな画像と構造化されたレコードのストアであるPlastic Memoryに入る。 既存のツールが不足すると、Explore-Distill-Mount(EDM)は、問題解決時に見つかったソリューションを、検証された再利用可能なツールやスキルに変える。 マッチしたプロトコルの下では、RoboBeatsはベースモデルに対する条件追跡を大幅に改善し、同時に書き込み予算も均一サンプリングよりもメモリ問題応答の有用な証拠を維持している。 実際のロボットが記録した24時間の連続動画を再生する限定的なスケールのケーススタディでは、統合されたシステムが1日の経験からメモリを構築し、日々の質問に答えるためにそれを使用する様子が示されている。 LIFEは、周囲に親しみやすく、経験を通じてより有能なロボットに向かって一歩前進する。

関連論文リスト

• SENRI: Understanding the Space-Event Nexus in Real-Life Videos [62.579359006599326]
  SENRIは、長い、連続した実生活のエゴセントリックなビデオの中で、宇宙空間の接続を研究するタスクである。 Event$rightarrow$Spaceはイベントキューから空間的知識を回復し、Space$rightarrow$Eventはリージョンとトラジェクトリからイベントを検索する。 我々はSENRI-Benchを構築し、約25.3時間のコンテンツを持つ10の未中断の自己記録ビデオに500の注釈付き複数選択質問を含む。
  論文  参考訳（メタデータ） (2026-10-18T14:41:41Z)
• MessyMem: Learning-from-Doing Memory for Mobile Manipulation [12.915040804075282]
  MessyMemは、モバイルマニピュレータが経験から学び、将来のタスクでその知識を再利用できる永続メモリシステムである。 MessyMemは、モバイルマニピュレータが経験から学び、将来のタスクでその知識を再利用できる永続記憶システムである。
  論文  参考訳（メタデータ） (2026-09-14T17:56:49Z)
• 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)
• LightMem-Ego: Your AI Memory for Everyday Life [15.591017916133309]
  日常生活支援のための軽量ストリーミングマルチモーダルメモリシステムLightMem-Egoについて紹介する。 このシステムは、エゴセントリックなビジュアルストリームとオーディオストリームを継続的にキャプチャし、共有されたタイムラインにアライメントし、それらを階層的なメモリに整理する。 ユーザクエリが与えられた場合、LightMem-Egoは検索を適切なメモリレベルに動的にルーティングし、マルチモーダルなエビデンスに基づく回答を生成する。
  論文  参考訳（メタデータ） (2026-07-13T12:40:17Z)
• SuperMemory-VQA: An Egocentric Visual Question-Answering Benchmark for Long-Horizon Memory [14.96864764261795]
  SuperMemory-VQAは、実用的な長期記憶タスクでAIアシスタントを評価するデータセットである。 これには、同期RGBビデオ、音声の書き起こし、視線、IMU、SLAMトラジェクトリなど、AIメガネで記録された日常的な活動の52.9時間が含まれている。 対象と位置記憶,意図的リコール,視覚的シーンリコール,タイムライン再構築,会話記憶,コンテキスト内検索にまたがる4,853の質問応答対を構築した。
  論文  参考訳（メタデータ） (2026-05-30T17:53:10Z)
• 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)
• LLM as A Robotic Brain: Unifying Egocentric Memory and Control [77.0899374628474]
  Embodied AIは、物理的または仮想的なエンボディメント(つまりロボット)を持つインテリジェントシステムの研究と開発に焦点を当てている。 メモリとコントロールは、具体化されたシステムの2つの不可欠な部分であり、通常、それぞれをモデル化するために別々のフレームワークを必要とします。 ロボット脳として大規模言語モデルを用いて,エゴセントリックな記憶と制御を統一するLLM-Brainという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-19T00:08:48Z)

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。