論文の概要: MOST: Memory of Object States and Task Progress for Long-Horizon Mobile Manipulation
- arxiv url: http://arxiv.org/abs/2611.00734v1
- Date: Sat, 31 Oct 2026 08:28:53 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 20:04:24.384068
- Title: MOST: Memory of Object States and Task Progress for Long-Horizon Mobile Manipulation
- Title（参考訳）: MOST: 長期移動操作のためのオブジェクト状態の記憶とタスクプログレス
- Abstract要約: 長期的なエージェントは、単に記憶するだけでなく、タスクに関連する状態の変化や進捗を思い出すことによっても利益がある、と我々は主張する。
本稿では,多視点観測を時間トークンに圧縮するポリシ内部メモリフレームワークである,オブジェクト状態とタスクプログレス(MOST)を提案する。
- 参考スコア（独自算出の注目度）: 70.8752415309786
- License:
- Abstract: Long-horizon embodied manipulation requires policies to act on information that is no longer visible. Modified objects may leave the field of view, while completed subtasks continue to constrain future actions. Existing approaches extend temporal context through recurrent state updates, test-time training, or storage and retrieval of past observations. As horizons grow, these mechanisms can still leave the policy to infer task state from long, redundant, and viewpoint-dependent visual experience. We argue that long-horizon agents benefit not merely from remembering more, but from remembering task-relevant state changes and progress. We propose Memory of Object States and Task Progress (MOST), a policy-internal memory framework that compresses multi-view observations into temporal tokens. Historical and predictive future tokens are explicitly supervised with object states and subtask progress, structuring memory around what has changed in the world and what has already been accomplished. The resulting memory directly conditions action generation within a single end-to-end policy, without an external planner or retrieval stage. We further introduce RoboCasa-Long, a benchmark of multi-minute, multi-stage mobile manipulation tasks. Across RoboCasa365, RoboCasa-Long, and real-world robot experiments, MOST consistently outperforms Xiaomi-Robotics-1 (XR-1), the previous state-of-the-art model. It raises average success from 65.9% to 72.1% on RoboCasa365, average maximum task progress from 20.83% to 42.22% on RoboCasa-Long, and real-world success from 6.66% to 43.33%. MOST also outperforms a matched visual-history memory variant, showing that effective long-horizon memory depends not only on how much experience is retained, but on whether it preserves decision-relevant progress and world-state changes.
- Abstract（参考訳）: ロングホライゾンの具体化操作は、もはや見えない情報に対処するポリシーを必要とする。
修正されたオブジェクトは視野を離れる可能性があるが、完了したサブタスクは将来のアクションを制約し続ける。
既存のアプローチでは、リカレントな状態更新、テストタイムトレーニング、過去の観測の保存と検索を通じて、時間的コンテキストを拡張する。
地平線が大きくなるにつれて、これらのメカニズムは、長い、冗長で、視点に依存した視覚的経験からタスク状態を予測するポリシーを残します。
長期的なエージェントは、単に記憶するだけでなく、タスクに関連する状態の変化や進捗を思い出すことによっても利益がある、と我々は主張する。
本稿では,多視点観測を時間トークンに圧縮するポリシ内部メモリフレームワークである,オブジェクト状態とタスクプログレス(MOST)を提案する。
歴史的かつ予測的な未来のトークンは、オブジェクトの状態とサブタスクの進捗を明示的に監視し、世界で何が変化し、何はすでに達成されているかのメモリを構造化する。
結果のメモリは、外部プランナや検索ステージなしで、単一のエンドツーエンドポリシー内でアクション生成を直接条件付けする。
さらに,複数分間のモバイル操作タスクのベンチマークであるRoboCasa-Longを紹介する。
RoboCasa365、RoboCasa-Long、および現実世界のロボット実験において、MOSTは以前の最先端モデルであるXiaomi-Robotics-1(XR-1)を一貫して上回っている。
RoboCasa365では65.9%から72.1%に、RoboCasa-Longでは20.83%から42.22%に、現実世界では6.66%から43.33%に伸びている。
MOSTは、マッチングされた視覚履歴メモリの亜種よりも優れており、有効長期記憶は、どれだけの経験が保持されているかだけでなく、意思決定に関連する進歩と世界状態の変化を保っているかどうかにも依存している。
関連論文リスト
- 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) - Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses [83.32611586724165]
Recurisは、ロングホライゾンエージェントハーネスのためのExperiential-Working Memoryアーキテクチャである。
Work Memoryはタスクの進捗を追跡し、Experiential Memoryからスキル選択をガイドする。
4つのロングホライズンベンチマークと10のモデルでRecurisは37のモデルベンチマークペアのうち35のタスク成功を改善している。
論文 参考訳（メタデータ） (2026-08-25T17:56:35Z) - Mimir: A Neuro-Symbolic Memory System with Dynamic Grounding for Embodied Agents in Interactive Environments [15.524473346555395]
ロングホライゾン・エンボディド・タスクでは、エージェントは部分的な観察可能性の下で行動し、シーンの信念と実行の進捗を保ちながら行動する必要がある。
タスクメモリからワールドメモリを分離し,各アクションの前に動的に記憶する,ニューロシンボリックメモリであるMimirを紹介する。
試験されたバックボーン全体で、ミミルはEB-ALFREDとEB-Habitatのタスクを常に改善し、最大利得は42.5%、平均利得は23.0%である。
論文 参考訳（メタデータ） (2026-08-05T14:57:24Z) - DIM-WAM: World-Action Modeling with Diverse Historical Event Memory [23.350949759638056]
世界行動モデルは、将来の視覚状態と行動を共同で予測することで、有望なロボット操作性能を示す。
マルチスケールの歴史的文脈、ローカルな未来のダイナミクス、グローバルなタスク進捗を統合したメモリ拡張ワールドアクションモデルであるDiM-WAMを紹介する。
RMBenchでは、DiM-WAMが平均28.4%、LingBot-VAが69.8%、メモリメモリのMem-0ベースラインが42.0%である。
論文 参考訳（メタデータ） (2026-06-26T03:17:39Z) - 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) - MemoAct: Atkinson-Shiffrin-Inspired Memory-Augmented Visuomotor Policy for Robotic Manipulation [6.490934654648497]
MemoActは階層的なメモリベースのポリシーであり、特定のボトルネックに対処するために異なるメモリ層を利用する。
MemoActは、既存のMarkovianベースラインと履歴対応ポリシーの両方と比較して、優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-19T05:02:43Z) - 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) - ELMUR: External Layer Memory with Update/Rewrite for Long-Horizon RL [48.214881182054164]
本研究では,外部メモリを構造化したトランスアーキテクチャであるEMMURを提案する。
ELMURは、注意窓の向こうに10万倍の有効地平線を拡大する。
最大100万歩の廊下を持つ合成T-Mazeタスクで100%の成功率を達成する。
論文 参考訳（メタデータ） (2025-10-08T15:50:34Z) - MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation [59.31354761628506]
このようなタスクは本質的にマルコフ的ではないが、主流のVLAモデルはそれを見落としているため、ロボット操作には時間的コンテキストが不可欠である。
本稿では,長距離ロボット操作のためのコグニション・メモリ・アクション・フレームワークであるMemoryVLAを提案する。
本稿では,3つのロボットを対象とした150以上のシミュレーションと実世界のタスクについて評価する。
論文 参考訳（メタデータ） (2025-08-26T17:57:16Z)
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。