論文の概要: Robocasa-Mem: Benchmarking Environment and Process Memory in Long-Horizon Mobile Manipulation

• arxiv url: http://arxiv.org/abs/2611.06475v1
• Date: Wed, 04 Nov 2026 13:16:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.116249
• Title: Robocasa-Mem: Benchmarking Environment and Process Memory in Long-Horizon Mobile Manipulation
• Title（参考訳）: Robocasa-Mem: 長期移動操作におけるベンチマーク環境とプロセスメモリ
• Abstract要約: 本稿では,モバイル操作タスクのベンチマークであるRoboCasa-Memを紹介する。 ベンチマーク、すなわち階層型メモリ拡張ポリシー(HMAP)のベースラインも開発しています。 RoboCasa-MemとHMAPベースラインは、メモリ依存行動の体系的評価と、メモリ対応モバイル操作ポリシーの開発をサポートする。
• 参考スコア（独自算出の注目度）: 73.99136991087873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the real world, mobile manipulation robots must perform complex object interactions and make multi-step decisions, often relying on task-relevant information that is no longer observable. However, existing benchmarks provide limited evaluation of such memory-dependent decision-making in mobile manipulation. To address this gap, we introduce RoboCasa-Mem, a new benchmark comprising nine mobile manipulation tasks that require agents to use interaction history at key decision points. Specifically, the tasks are grouped into two categories of memory: One is environment memory, which captures spatial locations, object attributes, and object relationships. The other is process memory, which captures single-task progress and multi-task scheduling. Particularly, we introduce Behavior-Conditioned Evaluation. For tasks with multiple valid execution paths, instead of fixing a single target or trajectory, the evaluator derives later task constraints from the robot's earlier actions. This allows us to evaluate whether later behavior is consistent with the robot's own interaction history while reducing shortcuts based on fixed target assignments. We provide 1,800 successful demonstrations for policy training. We also develop a baseline on our benchmark, namely Hierarchical Memory-Augmented Policy(HMAP). Its high-level planner uses structured entity and process memories to generate subtasks. Its low-level VLA controller uses subgoal-conditioned queries to incorporate VGGT-Omega geometry into action generation. Together, RoboCasa-Mem and HMAP baseline support systematic evaluation of memory-dependent behavior and the development of memory-aware mobile manipulation policies.
• Abstract（参考訳）: 現実の世界では、モバイル操作ロボットは複雑なオブジェクトインタラクションを実行し、多くの場合、観測不可能なタスク関連情報に依存して、多段階の意思決定をしなければならない。 しかし、既存のベンチマークでは、モバイル操作においてそのようなメモリ依存の意思決定を限定的に評価している。 このギャップに対処するために,9つのモバイル操作タスクからなる新しいベンチマークであるRoboCasa-Memを紹介した。 ひとつは環境記憶であり、空間的位置、オブジェクト属性、オブジェクトの関係をキャプチャする。 もう1つはプロセスメモリで、シングルタスクの進捗とマルチタスクのスケジューリングをキャプチャする。 特に,行動記述型評価について紹介する。 複数の有効な実行経路を持つタスクの場合、単一のターゲットや軌道を固定する代わりに、評価器はロボットの以前の動作から後のタスク制約を導出する。 これにより、後の動作がロボット自身のインタラクション履歴と一致しているかを、固定された目標割り当てに基づいてショートカットを削減できる。 ポリシートレーニングで1,800のデモを成功させます。 また,HMAP(Hierarchical Memory-Augmented Policy)というベンチマークのベースラインも開発しています。 高レベルプランナーは構造化エンティティとプロセスメモリを使用してサブタスクを生成する。 低レベルのVLAコントローラは、サブゴール条件のクエリを使用して、VGGT-Omega幾何学をアクション生成に組み込む。 RoboCasa-MemとHMAPベースラインは、メモリ依存行動の体系的評価と、メモリ対応モバイル操作ポリシーの開発をサポートする。

関連論文リスト

• 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)
• Memory Retrieval in Visuomotor Policies for Long-Horizon Robot Control [33.5619212312672]
  家庭などの部分的に観測可能な環境で動く汎用ロボットは、自律性をサポートするために記憶を必要とする。 本稿では,長期制御のための注意に基づくメモリ検索機構を備えたビジュモータポリシーであるHALOを紹介する。
  論文  参考訳（メタデータ） (2026-06-23T20:07:23Z)
• 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)
• 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)
• RMBench: Memory-Dependent Robotic Manipulation Benchmark with Insights into Policy Design [77.30163153176954]
  RMBenchは、メモリの複雑さの複数のレベルにまたがる9つの操作タスクからなるシミュレーションベンチマークである。 Mem-0は、制御アブレーション研究をサポートするために設計された明示的なメモリコンポーネントを備えたモジュラー操作ポリシーである。 既存のポリシにおけるメモリ関連の制限を特定し、アーキテクチャ設計の選択がメモリパフォーマンスに与える影響に関する実証的な洞察を提供する。
  論文  参考訳（メタデータ） (2026-03-01T18:59:59Z)
• 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。