MaP-WAM、記憶を計画として扱う枠組みを提案　RMBenchで83.3%、実機で78.0%

何が起きたか

arxiv.orgで2026-09-10に公開された論文は、MaP-WAMという「Memory-as-Plans」枠組みを提案した。長期のマルチモーダルなエピソード記憶を、次の区間の言語計画と視覚的ガイダンスを含むコンパクトな計画に変換し、実行は別のWorld-Action-Progress（WAP）モデルが担う構成である。論文によると、RMBenchで83.3%の成功率、実機ロボットタスクで78.0%の成功率を達成し、履歴が長くなっても実行時の推論遅延はおおむね一定に保ったとしている。

詳細

MaP-WAMは、記憶依存の世界・行動モデリングを「memory-grounded planning」と「plan-conditioned execution」に分解する。記憶は、言語指示と疎な視覚コンテキストを含む完了済みセグメント記録として表現され、そこから次のセグメントの言語計画と対応する視覚ガイダンスを生成する。 実行側のWAPモデルは、未知の継続時間にわたって各計画を実行し、推論時に行動チャンクと実行進捗を同時予測する。さらに、plan-observation alignmentで予測進捗を較正し、適応的なセグメント遷移と閉ループの文脈更新を行う。structured attentionにより、計画と実行の両方でkey-value cachingが使えるとしている。

Key Facts

本紙の見方

MaP-WAMの新しさは、長い履歴をそのまま積み増すのではなく、完了済みのセグメントを記録として圧縮し、それを次の行動計画に変換してから実行に渡す点にある。既存の記憶機構が言語要約や可視ウィンドウの拡大に寄りがちだったのに対し、この論文は「計画時に記憶を使い、実行時は固定長の文脈で回す」という分離を前面に出している。ここで重要なのは、メモリを単なる履歴保存ではなく、行動の区切りをまたいで使える計画資源として扱っている点である。 本紙の見方では、これはロボット政策の一般的なマルコフ近似に対する局所的な修正ではなく、記憶の役割を再定義する提案である。RMBenchで83.3%、実機で78.0%という数字は、少なくとも論文が想定する長期タスクで、計画と実行を分ける設計が機能したことを示す。ただし、どの程度長い履歴で優位が出るのか、比較対象の記憶方式との性能差がどの条件で開くのかは、本文の要点だけでは読み切れない。推論遅延が「おおむね一定」とされる一方で、実際の計算量やセグメント長の設定は、実装上の焦点として残る。 構造面では、入力となるエピソード記憶、計画時の圧縮、実行時のWAP、そしてplan-observation alignmentによる閉ループ更新が連結している。つまり、知覚→記憶→計画→実行→観測更新という循環を、固定長の実行器で回す設計である。ここから見える論点は、ロボットが長期タスクを扱う際に、どの時点で過去を要約し、どの時点で細部を残すべきかという設計判断である。次に確認すべきなのは、対象タスクの範囲、ベースラインとの比較条件、セグメント分割の基準、そして実機での安定性がどの失敗例で崩れるかである。

なぜ重要か

論文が示した83.3%と78.0%は、長期記憶を持つロボット方策を、履歴の全再入力ではなく計画ベースで扱う実用上の可能性を示す数字である。実行時の文脈長を固定に保つ設計は、長い作業手順を扱う場面で、推論の重さと履歴保持の両立をどう図るかという課題に関係する。

日本への影響

日本のロボット研究や実機応用では、長い作業手順をどこまで記憶として保持し、どこから計画に圧縮するかが実装上の焦点になりうる。MaP-WAMのように計画と実行を分ける方式は、実機での推論遅延を抑えながら長期タスクを扱う設計を考える際の比較対象になる。