arXiv cs.AI· Leann Alhashishi, Christos Margadji, Sebastian William Pattinson·· 12 小时前AI 评分31
inr2action：将机器人片段编码为神经隐式表示以支持回忆与动作
inr2action: Encoding Robot Episodes as Neural Implicit Representations for Recall and Action
AI 导读
inr2action 提出参数空间记忆框架，把每个机器人片段拟合为神经隐式表示，其权重增量即为记忆，大小与片段时长无关。在 RoboMME 上，语言模型在所有题型上超过随机水平，解码器平均 R² 达 0.51；将权重增量替换为等量噪声后性能下降 11.4 分，随机初始权重则无法解码。
正文 · AI 翻译
摘要：长时程机器人操作需要一种随关键信息而非执行时间扩展的记忆。我们提出一种参数空间记忆框架，其中每个片段都存储为一个可分离对象。神经隐式表示从共享的、元学习得到的初始化出发，拟合到片段视频；由此产生的权重增量构成记忆。关键在于，无论片段跨越一百帧还是十万帧，该增量都保持固定大小。一个学习得到的投影器将权重增量映射为 token 嵌入，用于条件化一个语言模型以进行问答，以及一个解码器以进行联合命令回归，且在查询时无需帧检索。在 RoboMME 上，该语言模型在所有问题类型上均超过随机水平，解码器达到 0.51 的平均 $R^2$。将增量替换为匹配噪声会使性能下降 11.4 个点，而随机初始化的权重不可解码，这证明元学习初始化对于嵌入片段内容至关重要。通过将个体经验表示为共同参数空间中的固定大小权重增量，该方法使记忆成本与时间跨度解耦，并为可扩展的流式记忆提供了基础。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28882 [cs.RO] |
| （或 arXiv:2610.28882v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28882 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Christos Margadji [查看邮箱]
[v1]
2026年10月20日 星期二 20:00:50 UTC（1,840 KB）
来源：arXiv cs.AI · arxiv.org