AGM：具有冻结 VLA 策略的闭环代理的基于成就的内存

冻结视觉语言动作（VLA）策略提供广泛的操作技能，但执行开环动作块而不跟踪任务进度，因此代理无法可靠地决定是否继续、重试或终止。外部存储器是一种自然的补救措施，但当尝试的操作被视为已完成的进度时，它可能是有害的，将本地执行错误转变为持久的任务状态错误。我们提出了成就基础记忆（AGM），这是一种用于冻结 VLA 策略的轻量级闭环框架，它将任务表示为带有进度指针的子目标序列，并且仅在当前子目标通过物理证据验证后才推进此记忆。本体感受交互线索决定何时进行验证，而通过单个 243 万参数验证头从冻结的基础模型中获取的连贯点跟踪和语言条件交叉视图比较决定了所实现的目标。因此，AGM 将开环执行转换为执行、验证和进度的闭环，从而在无需测试时大型模型推理的情况下保持策略冻结。在 RoboMME 计数基准上，AGM 达到了 PickXTimes 和 BinFill，平均超过了最强的内存增强基线，并且该框架在物理机器人上产生了同样决定性的收益。因此，可靠的具身记忆更多地依赖于有规律的状态更新，而不是记忆容量。