非マルコフ操作のための階層的明示言語メモリ

- 非Markovianなロボット操作のための階層型VLAフレームワーク「HeLM (Hierarchical Explicit Language Memory)」。 - 現在の観測のみを入力とするMarkovian前提のVLAでは作業記憶が必要なタスクに失敗する点を問題視。 - 人間の「inner monologue」に着想を得て、タスク関連の履歴を明示的な言語で保持する。 - factorized event detection と event-triggered memory updates により記憶を階層的に管理する。

- 既存VLAの多くはMarkovian仮定で現在観測→行動の写像のみを行うため非Markovian環境で失敗する。 - HeLMは履歴を明示的言語で保持することでこの制約を緩和。 - 10の非Markovian実世界タスク・56変種で評価し、intra-episode成功率が最強baseline比+12.8ポイント。 - compositional generalizationでsubtask成功率78%。 - 長期horizonでkeyframe baseline比、メモリ最大4.5倍削減・2.5倍高速。

- 階層型VLAフレームワークで、タスク関連履歴を明示的な言語として保持する。 - factorized event detection によりイベントを分解・検出する。 - event-triggered memory updates により、イベント発生時にのみ記憶を更新する仕組み。 - これにより作業記憶を言語で維持しつつ、記憶更新を効率化する設計。

- 10の非Markovian実世界タスク・56変種で評価。 - うち5つはタスク境界をまたぐ持続的文脈を要する新規のinter-episodeタスク。 - intra-episode成功率で最強baseline比+12.8ポイント改善。 - compositional generalizationタスクでsubtask成功率78%。 - 長期horizonでkeyframe baseline比、メモリ最大4.5倍削減・2.5倍高速を確認。

- 要旨からは不明。 - 明示的言語記憶の限界や、inter-episodeタスク以外への汎化、失敗事例の分析については要旨に記載なし。

- keyframe baseline（要旨で比較対象として言及）。 - 既存のVLAモデル（Markovian前提の一般的なVLAアーキテクチャ）。 - 作業記憶を扱うロボット操作研究（memory-augmented manipulation 等の同分野定番）。