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:2609.22684

StateMem: VLAポリシーのための単一状態残差メモリと適応推論

StateMem: Single-State Residual Memory with Adaptive Inference for Vision-Language-Action Policies

シェア:XThreadsFacebookLINEはてブBluesky

予測誤差で更新する単一のメモリトークンとキャッシュ再利用の適応制御により、履歴情報を保持しつつ計算を削減するVLAポリシーを提案。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) ポリシー向けのメモリ機構「StateMem」を提案する研究。 - 単一の状態(single-state)の残差メモリ(residual memory)フレームワーク。 - 予測誤差(prediction error)を用いて永続メモリトークン(persistent memory token)を低ランク残差(low-rank residuals)で更新する。 - キャッシュされたプレフィックス(cached prefixes)を適応的にルーティングする。 - 学習不要のコントローラ(training-free controller)がルーティング閾値をオンライン調整する。 - キャッシュ再利用時の古いプレフィックス特徴を高速補正(fast correction)で補償する。

2. 先行研究と比べてどこがすごい?

- 既存のVLAポリシーは主に現在の観測に依存し、履歴情報の保持が限定的。 - MemoryVLAなどのメモリ拡張VLAは外部メモリバンク(external memory banks)を用いるが、明示的な保存と検索が必要。 - StateMemは外部メモリバンクを必要とせず、単一状態の残差メモリで履歴情報を保持する点が異なる。 - 学習不要のコントローラと高速補正により、キャッシュ再利用時の性能劣化を抑える。 - 実験的にLIBEROで平均成功率97.6%、VLMプレフィックス更新率を20.25%削減。 - RoboMemArenaのOcclusionカテゴリで単一VLA手法中最高性能(TSR 21.8%、CSR 44.3%)。 - 実世界6タスクで平均成功率+21%を達成。

3. 技術・手法の肝は?

- 予測誤差(prediction error)を利用して、永続メモリトークンを低ランク残差(low-rank residuals)で更新する。 - キャッシュされたプレフィックス(cached prefixes)を適応的にルーティングする仕組み。 - 学習不要のコントローラ(training-free controller)がルーティング閾値をオンラインで調整する。 - キャッシュ再利用時に古いプレフィックス特徴を高速補正(fast correction)で補償する。 - 単一状態(single-state)の残差メモリにより、外部メモリバンクを不要にする。

4. どうやって有効だと検証した?

- LIBERO、RoboMemArena、実世界操作タスクで評価。 - LIBEROでは平均成功率97.6%、VLMプレフィックス更新率をフル更新比で20.25%削減。 - RoboMemArenaのOcclusionカテゴリで単一VLA手法中最高のTSR 21.8%、CSR 44.3%。 - 実世界6タスクで平均成功率+21%を達成。

5. 議論はある?

- 要旨からは、メモリ機構の限界や失敗事例、計算コスト、一般化性に関する議論は明示されていない。 - 外部メモリバンク不要の利点が強調されているが、そのトレードオフや制約については要旨からは不明。

6. 次に読むべき論文は?

- MemoryVLA(メモリ拡張VLAの代表例として比較対象)。 - LIBERO(評価ベンチマーク)。 - RoboMemArena(評価ベンチマーク)。 - その他のVLAポリシー(例:RT-2、OpenVLAなど)やメモリ拡張手法(例:外部メモリバンクを用いる手法)が関連研究として考えられるが、要旨では具体的な参照はMemoryVLAと評価ベンチマークのみ。

※ 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: Wenzhuo Li, Qiongfeng Shi, Yi Zhou

分類: cs.RO, cs.LG

原文アブストラクト

Memory-dependent robotic manipulation often requires later actions to use information from earlier interactions. Existing vision-language-action (VLA) policies primarily rely on current observations, limiting historical information retention. Memory-augmented VLAs, such as MemoryVLA, address this limitation with external memory banks but require explicit storage and retrieval. To address these limitations, we propose StateMem, a single-state residual memory framework for VLA policies that uses prediction error to update a persistent memory token through low-rank residuals and to adaptively route cached prefixes. A training-free controller adjusts the routing threshold online, while fast correction compensates for stale prefix features during cache reuse. We evaluate StateMem on LIBERO, RoboMemArena, and real-world manipulation tasks. On LIBERO, StateMem achieves an average success rate of 97.6% and reduces the average VLM prefix refresh rate by 20.25% relative to full refresh. In the Occlusion category of RoboMemArena, StateMem achieves the best performance among single-VLA methods, reaching 21.8% Task Success Rate (TSR) and 44.3% Cumulative Success Rate (CSR). Across six real-world manipulation tasks, it achieves +21% in average success rate.

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. 2newmo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
  3. 3GXO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
  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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI