arXiv cs.AI· Soumil Rathi·· 6 天前AI 评分29
RoboMME-Interference：干扰条件下的机器人记忆基准测试
RoboMME-Interference: Benchmarking Robot Memory Under Interference
AI 导读
研究者提出 RoboMME-Interference，一个基于 RoboMME 的跨会话基准，通过在查询演示后叠加受控数量的无关会话，衡量 VLA 在长上下文干扰下的记忆表现。测试显示，感知记忆变体在无干扰时提升成功率，但随着无关会话累积会持续明显衰减；子目标变体提升较小但更抗干扰。为最强感知变体加入检索步骤后，可在各干扰水平恢复其无干扰成功率。
正文 · AI 翻译
摘要：部署在真实环境中的机器人会在其部署期间跨多个会话和任务积累经验。机器人的任务往往可能要求它记住多个会话之前的信息，因此长上下文机器人记忆对于真实世界部署至关重要。然而，当前大多数机器人记忆基准都基于单次回合或短上下文。为了衡量当前机器人记忆系统在更长会话、更多干扰下的表现，我们提出了 RoboMME-Interference，这是一个基于 RoboMME（Dai et al., 2026）构建的跨会话基准。对于每个查询回合，我们使用该查询相关的先前演示，后接受控数量的无关会话，构建会话历史，并将其作为记忆提供给 VLA，然后测量准确率。将 RoboMME 发布的记忆增强型 $\pi_{0.5}$ 变体未经修改地在此基准上运行，我们发现，感知记忆变体在给定无任何干扰项的历史时能提升成功率，但随着无关会话的累积，其性能会强烈且持续地衰减。子目标变体使用视觉语言模型读取历史，并将写下的子目标传递给策略，其最佳表现时提升较小，但随着干扰项累积能保持更多该提升。为最强的感知变体添加一个检索步骤，即选择与机器人当前视图视觉上最相似的历史片段，并仅将该片段传递给策略，可在每个干扰水平上恢复其无干扰项时的成功率。通过本次发布，我们强调长上下文记忆和抗干扰鲁棒性的重要性，并表明当前系统在这些能力上大体失败。项目页面、视频、代码和数据见 此 https URL。
| Comments: | 9 页，5 幅图。更新了结果；添加了子目标记忆系统 |
| Subjects: | Robotics (cs.RO)；Artificial Intelligence (cs.AI)；Machine Learning (cs.LG) |
| Cite as: | arXiv:2606.22338 [cs.RO] |
| （或 arXiv:2606.22338v4 [cs.RO] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2606.22338 arXiv 颁发的 DOI，通过 DataCite |
Submission history
来自：Soumil Rathi [查看邮箱]
[v1]
2026年6月21日星期日 05:06:16 UTC（54 KB）
[v2]
2026年7月28日星期二 00:23:57 UTC（62 KB）
[v3]
2026年8月26日星期三 09:52:30 UTC（72 KB）
[v4]
2026年10月9日星期五 16:43:07 UTC（68 KB）
来源：arXiv cs.AI · arxiv.org