D$^2$-VLA：長期動的マニピュレーションのための二重記憶・二重周波数視覚言語行動モデル

- 長期的な操作タスクにおいて、視界から消えた手がかりを記憶しつつ動く物体に反応する必要がある。 - 既存の vision-language-action (VLA) ポリシーは最新の観測に依存し、視覚コンテキストの更新には高コストな vision-language model (VLM) の再実行が必要。 - 本研究では、事前学習済み VLA の KV-cache インターフェースで dual memory と dual-frequency control を組み合わせた D$^2$-VLA を提案。 - また、移動物体を操作する際に以前の視覚的手がかりを使うことを要求する 10 タスクのベンチマーク DOMINO-Long を導入。

- 従来の VLA は最新観測のみに依存し、視覚コンテキスト更新に別の VLM パスが必要だった。 - D$^2$-VLA は dual memory と dual-frequency control により、高コストな VLM 再実行を減らしつつ長期動的操作を可能にする。 - 実験では DOMINO で完全タスク成功率 29.3%（$\pi_{0.5}$ は 9.6%、PUMA は 17.2%）、DOMINO-Long で 60.0%（それぞれ 35.4%、20.6%）を達成。 - 実ロボット 8 タスクで成功率を改善し、LIBERO-Long で 97.5%、RoboTwin 2.0 で 74.3% を達成。

- 事前学習済み VLA の KV-cache インターフェースを活用。 - block-wise causal KV caching により観測を逐次エンコード。 - 異なる temporal attention patterns に基づき、VLM と action expert 用に別々の historical KV read views を構築。 - 定期的な VLM 更新の間に、gated adapter が新しい視覚特徴を最新の history-conditioned KV block に組み込む。 - 短い fast-memory queue が action replanning を支援。

- DOMINO および DOMINO-Long ベンチマークで評価。 - DOMINO で完全タスク成功率 29.3%、DOMINO-Long で 60.0% を達成。 - 実ロボット 8 タスクで成功率を改善。 - LIBERO-Long で 97.5%、RoboTwin 2.0 で 74.3% を達成。

- 要旨からは不明。

- $\pi_{0.5}$ - PUMA - LIBERO-Long - RoboTwin 2.0 - DOMINO - DOMINO-Long