分割して記憶する：長期的VLAポリシーのための再帰的行動関連メモリ

Vision-language-action (VLA) モデルが苦手とする、現在の観測だけでは行動を決められない履歴依存の manipulation タスク向けの memory 手法。既存手法は「何を覚えるか」を設計者が決めていたが、本論文はそれを最適化問題として捉え、action-relevant な情報を保持する Divide-and-Remember (D&R) を提案。recursive な memory 関数 m_t = M(h_t) を学習し、長い context でも計算軽量に扱える。

既存の memory 手法は、例えば pixel 変化の大きい frame を保持するなど、何を覚えるかを設計で決めており、タスク間で一貫した利得が得られなかった。D&R は POMDP 定式化から最適な memory が I(a_t; m_t | o_t) を最大化することを示し、これを最適化問題として扱う点が新しい。RoboMME の 16 タスク・4 スイートすべてで一貫した利得を示し、64 token の予算で state-of-the-art の平均成功率を達成。実ロボット実験でも同様の利得を報告。

POMDP に基づく imitation learning の解析から、最適な memory は現在の観測に含まれない action-relevant な履歴情報を保持するもの、すなわち I(a_t; m_t | o_t) を最大化するものだと示す。D&R は recursive な memory 関数 m_t = M(h_t) を学習する手法で、(1) 全履歴からの選択を 2K token からの top-K 選択の部分問題へ再帰的に分割し、固定サイズの軽量 selector を end-to-end で学習することで無制限の履歴に対応、(2) すべての recursion block で 1 つの selector を共有し、各 block に共通の選択規則を捉えて効率を保つ。

RoboMME は「いつ・どこで・何を・どのように行動するか」を覚える必要がある 16 の long-horizon manipulation タスクからなる benchmark。D&R は 64 token の予算のみで、4 つのスイートすべてにおいて一貫した利得と state-of-the-art の平均成功率を達成。さらに実ロボット実験でも同じ利得を示した。コード・checkpoint・追加結果は https://dnr-memory.github.io/ で公開。

要旨からは不明。

要旨で参照・比較されている具体的な先行 memory 手法名は明記されていない。関連手法として、pixel 変化の大きい frame を保持する設計ベースの memory 手法や、POMDP に基づく imitation learning、VLA モデル、RoboMME benchmark が挙げられる。