Mimir: インタラクティブ環境における身体化エージェントのための動的グラウンディングを備えたニューロシンボリック記憶システム

Mimirは、インタラクティブ環境における身体性エージェントのためのニューロシンボリックメモリシステムである。長期的なタスク（long-horizon task）では、部分観測下でシーン信念と実行進捗を保持する必要があるが、Mimirは世界メモリ（world memory）とタスクメモリ（task memory）を分離し、各行動の前に動的にグラウンディングする。世界メモリは物体位置・状態・知覚的証拠を保持し、タスクメモリは順序付き目標アジェンダ・進捗状態・手の状態・失敗・実行制約を保持する。グラウンディングモジュールが、アクティブな目標を想起された世界候補に結び付け、欠落したソース位置を補完し、計画と実行の前に証拠を付与する。

従来のフラットな履歴や暗黙的なポリシー状態は過去の観測を含むが、現在の目標を支える世界の事実を明示的に選択するインターフェースを提供しない。Mimirは、世界メモリとタスクメモリを分離し、動的グラウンディングにより、目標に関連する世界の候補を明示的に結び付ける点で優れている。また、複数のバックボーンにわたって一貫して性能を向上させ、EB-ALFREDとEB-Habitatタスクで最大42.5%、平均23.0%の改善を達成し、同一バックボーンで評価された先行エージェント・メモリシステムの最良結果と比較して平均成功率を8.5%向上させた。

Mimirの技術的な肝は、世界メモリとタスクメモリの分離と、行動前の動的グラウンディングにある。世界メモリは物体の位置・状態・知覚的証拠を維持し、タスクメモリは目標の順序付きリスト・進捗状態・手の状態・失敗・実行制約を管理する。グラウンディングモジュールは、アクティブな目標を世界メモリから想起された候補にバインドし、欠落したソース位置を補完し、計画と実行の前に証拠を付与する。これにより、エージェントは部分観測下でも現在の目標に関連する世界の事実を明示的に利用できる。

Mimirの有効性は、EB-ALFREDとEB-Habitatの各タスクで検証された。複数のバックボーンにわたってテストし、最大42.5%、平均23.0%の成功率改善を確認した。また、同一バックボーンで評価された先行エージェント・メモリシステムの最良結果と比較し、全体の平均成功率を8.5%向上させた。さらに、EB-Habitat Long-horizonサブセットでは86.0%の成功率を達成し、現在のクローズドソースモデルを大幅に上回った。

要旨からは、Mimirの限界や潜在的な問題についての議論は不明である。ただし、ニューロシンボリックメモリの設計がバックボーンに依存せず有効であることが示唆されるが、異なる環境やタスクでの汎用性や、メモリのスケーラビリティ、グラウンディングの失敗時の挙動などは要旨からは不明である。

要旨で参照されている関連研究として、EB-ALFREDとEB-Habitatのベンチマーク、および比較対象となった先行エージェント・メモリシステムが挙げられる。具体的な論文名は要旨にないため、次に読むべき論文としては、これらのベンチマークを提案した論文や、ニューロシンボリックAIとメモリシステムに関する一般的な研究が考えられる。