通用机器人策略的简易Agentic记忆

视觉记忆系统通常会保留或压缩过去的观察结果。机器人控制还需要没有单独的框架可以明确表示的交互衍生状态，例如持久的身份关系、累积的进度或有序的过程。我们推出了 Simple Agentic Robot Memory (SimpleARM)，这是一个用于冻结通用机器人策略的免训练内存层。 SimpleARM 从任务指令中指定要监视的内容；冻结的感知工具在线保持紧凑的类型状态；仅当提议的子目标依赖于历史时，结构化访问才会检索该状态；当前视图grounding会在执行前解决召回的实体。我们在 RoboMME 上评估 SimpleARM，RoboMME 是依赖于内存的机器人操作任务的基准，这些任务需要当前观察中不再可用的历史信息。在所有 16 项任务和三个策略种子中，SimpleARM 实现了 67.17% 的平均成功率，而最强的非预言机基线的平均成功率为 44.51%。匹配的消融显示了机制的特殊性：删除关系、参考、进度或路由状态会产生巨大的损失，其中受影响的状态被检索以进行控制，同时很大程度上避免了其他任务。这些结果支持基于状态的机器人记忆视图：用于控制的有效记忆不仅仅是保留的视觉历史记录，而是从交互历史记录中导出的紧凑的任务相关状态。