汎用ロボットポリシーのためのシンプルなエージェント記憶

SimpleARM（Simple Agentic Robot Memory）は、凍結されたgeneralist robot policiesのためのtraining-freeなmemory layerである。タスク指示から監視対象を指定し、frozen perceptual toolsがオンラインでcompact typed stateを維持し、提案されたsubgoalが履歴に依存する場合のみstructured accessで状態を取得し、実行前にcurrent-view groundingでrecalled entitiesを解決する。RoboMMEベンチマークで評価され、16タスク・3 policy seedsで平均成功率67.17%を達成した。

従来のvisual-memory systemsは過去の観測を保持・圧縮するものが一般的だが、ロボット制御には個々のフレームに明示されないinteraction-derived state（persistent identity relations、accumulated progress、ordered proceduresなど）が必要である。SimpleARMはこの点に着目し、training-freeで凍結policyに組み込めるmemory layerを提案し、最強のnon-oracle baselineの44.51%に対して67.17%と大幅に上回った。

タスク指示から監視すべき状態を指定し、frozen perceptual toolsがオンラインでcompact typed stateを維持する。structured accessにより、提案されたsubgoalが履歴に依存する場合にのみその状態を取得する。さらにcurrent-view groundingにより、想起されたentitiesを実行前に解決する。これにより、単なる視覚履歴の保持ではなく、interaction historyから導出されたcompact task-relevant stateを制御に利用する。

RoboMMEベンチマーク（現在の観測では得られない履歴情報を必要とするmemory-dependent robot manipulation tasks）で評価した。16タスクすべてと3つのpolicy seedsにおいて、SimpleARMは平均成功率67.17%を達成し、最強のnon-oracle baselineの44.51%を上回った。また、relation、reference、progress、route stateをそれぞれ除去するmatched ablationsを行い、影響を受ける状態が制御のために取得されるタスクでは大きな性能低下が見られ、他のタスクはほぼ影響を受けないことを示した。

結果は、ロボットのmemoryに対するstate-based viewを支持する。すなわち、制御に有効なmemoryは単に保持された視覚履歴ではなく、interaction historyから導出されたcompact task-relevant stateである。ただし、要旨からは限界や今後の課題についての明示的な議論は不明である。

要旨で参照・比較されている研究として、visual-memory systems（過去の観測を保持・圧縮する手法）やnon-oracle baselinesが挙げられる。また、generalist robot policiesやRoboMMEベンチマークに関連する研究が次の読むべき論文として考えられる。具体的な論文名は要旨からは不明。