arXiv cs.AI· Yilin Wu, Rutav Shah, Shuaiyi Huang, Sumedh A. Sontakke, Homanga Bharadhwaj, Andrea Bajcsy, Max Simchowitz, Guanya Shi·· 3 天前AI 评分34
IMPRINT：无需筛选的多流潜在记忆，为机器人策略增强 VLA 模型
Memory Without Curation: Learning Multi-Stream Latent Memory for Robot Policies
AI 导读
研究者提出 IMPRINT，一种策略无关的潜在记忆框架，为 VLA 模型加入多流记忆而不显式约束策略该记住什么。它把不同信息流压缩为推理时增量更新的潜在记忆，并采用两阶段训练：先监督记忆重建观测、动作、本体感受等过去信息并估计任务进度，再与策略联合端到端微调。在仿真和真实记忆任务上，IMPRINT 平均成功率比基础 VLA 至少提升 26%，推理延迟在记忆增强 VLA 中最低。
正文 · AI 翻译
摘要：人们普遍认识到，机器人策略需要长期记忆才能执行复杂任务。然而，直接让策略以所有过去的观测为条件，会使策略学习容易学到虚假的捷径，并在策略部署时引入较大的延迟。因此，当今的记忆增强策略会精心筛选要记住的内容，要么只保留最近的帧、选定的关键帧或文本摘要，要么仅学习视觉流的潜在表示。在这项工作中，我们提出了一种替代方法 IMPRINT，这是一种与策略无关的潜在记忆框架，它为视觉-语言-动作（VLA）模型增强多流记忆，而不显式约束策略应该记住什么。IMPRINT 将不同的流压缩为潜在记忆，并在推理时增量更新，从而实现低延迟。为避免捷径学习，IMPRINT 采用两阶段训练流程：首先监督记忆以重建过去信息的多条流（观测、动作、本体感觉），并估计当前任务进度，然后与策略联合进行端到端微调，用于动作预测。在需要记忆的仿真和真实世界任务中，IMPRINT 将基础 VLA 的平均成功率至少提升 26%，优于流行的替代方案，并在记忆增强的 VLA 中保持最低的推理延迟。通过细致的消融实验，我们证明了将多样化的信息流纳入机器人记忆的效用，验证了放弃历史筛选的优势。项目网站：this https URL。
| 学科： | 机器人学（cs.RO）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.14406 [cs.RO] |
| （或 arXiv:2610.14406v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14406 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yilin Wu [查看电子邮件]
[v1]
2026年10月9日星期五 23:58:57 UTC（34,563 KB）
来源：arXiv cs.AI · arxiv.org