日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ベンチマーク/VLA/記憶arXiv:2605.10921

RoboMemArena:ロボット記憶のための包括的で挑戦的なベンチマーク

RoboMemArena: A Comprehensive and Challenging Robotic Memory Benchmark

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの長期タスクにおける記憶能力を評価するため、26タスク・平均1000ステップ超の大規模ベンチマークRoboMemArenaを構築し、VLMによるサブタスク生成と実世界評価を備えた。さらに、記憶管理と予測符号化を統合したVLAモデルPrediMemを提案し、既存手法を上回る性能を示した。

詳しい要約

1. どんなもの?

- ロボット知能における記憶の重要性に着目した大規模ベンチマーク - 26タスク、平均軌道長1,000ステップ超、68.9%のサブタスクが記憶依存 - 視覚言語モデル(VLM)を活用した生成パイプラインでサブタスク設計・合成 - 原子関数で完全軌道を生成し、記憶関連アノテーション(サブタスク指示、ネイティブキーフレーム)を提供 - 実世界記憶タスクもペアで用意し物理評価をサポート

2. 先行研究と比べてどこがすごい?

- 既存のロボット記憶ベンチマークは記憶形成のマルチモーダルアノテーションが不足 - タスクカバレッジと構造的複雑さが限定的 - シミュレーションのみで実世界評価が制限されていた - RoboMemArenaはこれらギャップを埋め、大規模・高複雑度・実世界評価を実現

3. 技術・手法の肝は?

- VLMを用いてサブタスクを設計・合成する生成パイプライン - 原子関数により完全軌道を生成 - 記憶関連アノテーション(サブタスク指示、ネイティブキーフレーム)を付与 - PrediMem: デュアルシステムVLA - 高レベルVLMプランナーが記憶バンク(最近バッファとキーフレームバッファ)を管理 - 予測符号化ヘッドでタスク動態への感度を向上

4. どうやって有効だと検証した?

- RoboMemArena上で広範な実験を実施 - PrediMemが全ベースラインを上回る性能を達成 - 記憶管理、モデルアーキテクチャ、複雑な記憶システムのスケーリング則に関する知見を提供

5. 議論はある?

- 記憶管理、モデルアーキテクチャ、スケーリング則に関する洞察 - 具体的な議論の詳細は要旨からは不明

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 - 同分野の定番として、Vision-Language-Action (VLA) モデル、Vision-Language Model (VLM) ベースのロボット記憶研究、長期記憶を扱うロボティクスベンチマークが挙げられる

※ 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: Huashuo Lei, Wenxuan Song, Huarui Zhang, Jieyuan Pei, Jiayi Chen, Haodong Yan, Han Zhao, Pengxiang Ding, Zhipeng Zhang, Lida Huang, Donglin Wang, Yan Wang, Haoang Li

分類: cs.RO

原文アブストラクト

Memory is a critical component of robotic intelligence, as robots must rely on past observations and actions to accomplish long-horizon tasks in partially observable environments. However, existing robotic memory benchmarks still lack multimodal annotations for memory formation, provide limited task coverage and structural complexity, and remain restricted to simulation without real-world evaluation. We address this gap with RoboMemArena, a large-scale benchmark of 26 tasks, with average trajectory lengths exceeding 1,000 steps per task and 68.9% of subtasks being memory-dependent. The generation pipeline leverages a vision-language model (VLM) to design and compose subtasks, generates full trajectories through atomic functions, and provides memory-related annotations, including subtask instructions and native keyframe annotations, while paired real-world memory tasks support physical evaluation. We further design PrediMem, a dual-system VLA in which a high-level VLM planner manages a memory bank with recent and keyframe buffers and uses a predictive coding head to improve sensitivity to task dynamics. Extensive experiments on RoboMemArena show that PrediMem outperforms all baselines and provides insights into memory management, model architecture, and scaling laws for complex memory systems.

  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