论文
学会遗忘——用于终身机器人部署的分层情景记忆
Learning to Forget -- Hierarchical Episodic Memory for Lifelong Robot Deployment
摘要
当用户问“你把我的钥匙放在哪里了？”时，机器人必须说出他们过去的经历。或“为什么任务失败？”然而，通过连续的多模态感知维持终生情景记忆（EM）很快就会超出存储限制，并使实时查询变得不切实际，需要适应用户相关性概念的选择性遗忘。我们提出了 H$^2$-EMV，一个使类人机器人能够通过用户交互来学习记住什么的框架。我们的方法逐步构建分层 EM，根据学习的自然语言规则使用基于语言模型的相关性估计选择性地遗忘，并根据用户关于遗忘细节的反馈更新这些规则。对模拟家庭任务和 ARMAR-7 长达 20.5 小时的真实记录的评估表明，H$^2$-EMV 保持了问答准确性，同时将内存大小减少了 45%，查询时间计算减少了 35%。至关重要的是，随着时间的推移，性能会不断提高——通过适应用户特定的优先级，第二轮查询的准确性提高了 70%——这表明学习性遗忘能够实现可扩展、个性化的 EM，从而实现长期的人机协作。