BrainMem：用于实体代理任务规划的受大脑启发的进化记忆

具身任务规划要求智能体在复杂的 3D 环境中执行长期的、目标导向的行动，其中成功取决于跨任务的即时感知和积累的经验。然而，大多数现有的基于 LLM 的规划器都是无状态和反应性的，在没有持久内存的情况下运行，因此会重复错误并与空间或时间依赖性作斗争。我们提出了 BrainMem（大脑启发进化记忆），这是一种 无需训练 分层记忆系统，它为实体代理提供受人类认知启发的工作记忆、情景记忆和语义记忆。 BrainMem 不断将交互历史转化为结构化知识图和提炼的符号指南，使规划者能够根据过去的经验检索、推理和调整行为，而无需任何模型 微调 或额外的训练。这种即插即用的设计与任意多模式 LLM 无缝集成，大大减少了对特定任务提示工程的依赖。对 EB-ALFRED、EB-Navigation、EB-Manipulation 和 EB-Habitat 等四个代表性基准进行的广泛实验表明，BrainMem 显着提高了不同模型和难度子集的任务成功率，在长视野和空间复杂任务上观察到的收益最大。这些结果强调了进化记忆是一种有前途且可扩展的通用具身智能机制。