日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2603.03596

MEM: 視覚言語行動モデルのためのマルチスケール具現化メモリ

MEM: Multi-Scale Embodied Memory for Vision Language Action Models

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの長期タスク遂行のために、ビデオベースの短期記憶とテキストベースの長期記憶を組み合わせたマルチスケールメモリアーキテクチャを提案し、15分に及ぶ複雑なタスクを可能にした。

詳しい要約

1. どんなもの?

- ロボットのVision Language Actionモデル(VLA)向けの記憶アーキテクチャ「Multi-Scale Embodied Memory(MEM)」を提案。 - 従来の記憶は過去観測の系列を入力するだけだったが、MEMは複数の抽象度レベルで記憶を表現。 - 短期的記憶はvideo encoderで圧縮した動画ベース、長期的記憶はテキストベースで構成。 - 最大15分に及ぶ長期的タスク(キッチン掃除、グリルドチーズサンドイッチ作り)を可能にする。 - 記憶により、文脈内で操作戦略を適応的に変更できることも示す。

2. 先行研究と比べてどこがすごい?

- 従来のend-to-endロボット学習では、過去観測の系列をそのままポリシーに入力するのが一般的。 - しかし、複雑な多段階実世界タスクでは、長期記憶(レシピの進捗など抽象的概念)と短期記憶(腕による遮蔽を補うなど)を異なる粒度で表現する必要がある。 - MEMは複数モダリティを組み合わせ、異なる抽象度の記憶を統合する点が新しい。 - これにより、従来手法では難しかった長時間タスクや文脈内適応を実現。

3. 技術・手法の肝は?

- ビデオベースの短期記憶をvideo encoderで圧縮し、テキストベースの長期記憶と組み合わせる。 - 短期記憶は最近の出来事を捉え、遮蔽補償に寄与。 - 長期記憶は抽象化された意味概念(例:レシピの完了段階)を保持。 - これらを統合した混合モーダル記憶をロボットポリシーに組み込む。 - 記憶により、ポリシーが文脈内で操作戦略を適応できる。

4. どうやって有効だと検証した?

- キッチンの掃除やグリルドチーズサンドイッチの準備など、最大15分に及ぶ多段階実世界タスクで評価。 - 記憶が長期的タスクの実行を可能にすることを実証。 - また、記憶によりポリシーが文脈内で操作戦略を適応できることも確認。 - 具体的な評価指標やベースラインとの比較詳細は要旨からは不明。

5. 議論はある?

- 記憶アーキテクチャが長期的ロボット制御に有効であることを示唆。 - 複数モダリティの組み合わせが異なる抽象度の記憶を実現する鍵。 - 記憶が文脈内適応を可能にする点も議論。 - 限界や課題、今後の方向性については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、Vision Language Actionモデル(VLA)、video encoder、end-to-endロボット学習、長期記憶を扱うロボティクス研究が挙げられる。 - 同分野の定番として、Transformerベースのポリシーや記憶拡張型強化学習などが考えられるが、具体的な論文名は要旨からは不明。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Marcel Torne, Karl Pertsch, Homer Walke, Kyle Vedder, Suraj Nair, Brian Ichter, Allen Z. Ren, Haohuan Wang, Jiaming Tang, Kyle Stachowicz, Karan Dhabalia, Michael Equi, Quan Vuong, Jost Tobias Springenberg, Sergey Levine, Chelsea Finn, Danny Driess

分類: cs.RO, cs.LG

原文アブストラクト

Conventionally, memory in end-to-end robotic learning involves inputting a sequence of past observations into the learned policy. However, in complex multi-stage real-world tasks, the robot's memory must represent past events at multiple levels of granularity: from long-term memory that captures abstracted semantic concepts (e.g., a robot cooking dinner should remember which stages of the recipe are already done) to short-term memory that captures recent events and compensates for occlusions (e.g., a robot remembering the object it wants to pick up once its arm occludes it). In this work, our main insight is that an effective memory architecture for long-horizon robotic control should combine multiple modalities to capture these different levels of abstraction. We introduce Multi-Scale Embodied Memory (MEM), an approach for mixed-modal long-horizon memory in robot policies. MEM combines video-based short-horizon memory, compressed via a video encoder, with text-based long-horizon memory. Together, they enable robot policies to perform tasks that span up to fifteen minutes, like cleaning up a kitchen, or preparing a grilled cheese sandwich. Additionally, we find that memory enables MEM policies to intelligently adapt manipulation strategies in-context.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI