RMBench：面向记忆依赖型机器人操作的基准与策略设计洞察
RMBench: Memory-Dependent Robotic Manipulation Benchmark with Insights into Policy Design
研究者提出 RMBench，一个包含 9 个操作任务的仿真基准，覆盖多个记忆复杂度层级，用于系统评估机器人操作策略的记忆能力。同时提出模块化策略 Mem-0，通过显式记忆组件支持受控消融实验，并在仿真与真实世界实验中揭示了现有策略的记忆局限及架构设计对记忆表现的影响。
作者：Tianxing Chen、Yuran Wang、Mingleyang Li、Yan Qin、Hao Shi、Zixuan Li、Yifan Hu、Yingsheng Zhang、Kaixuan Wang、Yue Chen、Hongcheng Wang、Junjie Wang、Tianhang Yang、Renjing Xu、Ruihai Wu、Yao Mu、Yaodong Yang、Hao Dong、Ping Luo
摘要：近年来，机器人操作策略取得了快速进展，但大多数现有方法对记忆能力的考虑有限。因此，它们难以解决需要对历史观测进行推理并随时间保持任务相关信息的问题，而这些是现实世界操作场景中的常见需求。尽管已经提出了若干具备记忆感知的策略，但对依赖记忆的操作进行系统性评估仍然不足，架构设计选择与记忆性能之间的关系也仍未得到充分理解。为填补这一空白，我们提出了 RMBench，一个包含 9 个操作任务的仿真基准，涵盖多个记忆复杂度层级，可对策略的记忆能力进行系统性评估。我们进一步提出了 Mem-0，一种具有显式记忆组件的模块化操作策略，旨在支持受控消融研究。通过大量仿真和真实世界实验，我们识别出已有策略中与记忆相关的局限性，并就架构设计选择如何影响记忆性能提供了实证见解。网站见 此 https URL。
| 评论： | 网站：此 https URL |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用格式： | arXiv:2603.01229 [cs.RO] |
| （或 arXiv:2603.01229v4 [cs.RO] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2603.01229 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yue Chen [查看邮箱]
[v1]
2026年3月1日星期日 18:59:59 UTC（3,032 KB）
[v2]
2026年3月15日星期日 16:53:14 UTC（3,032 KB）
[v3]
2026年7月30日星期四 17:55:22 UTC（3,570 KB）
[v4]
2026年10月15日星期四 17:19:41 UTC（3,994 KB）
来源：arXiv cs.AI · arxiv.org