ECoMEM：用于依赖于内存的机器人控制的显式概念内存

机器人可能会看不到稍后必须取回的物体，需要回忆起人之前展示的内容，或者跟踪它已经完成的任务的哪些步骤。一旦行动所需的信息从当前观察中消失，当前的视觉-语言-行动（VLA）策略通常会失败，这使得记忆对于长视距机器人行为至关重要。现有的方法通常提供更长的历史或从观察-动作轨迹中学习内隐记忆。但行动监督告诉政策如何行动，而不是记住什么：它没有指定哪些过去的事实应该持续存在，或者随着新证据的到来，它们应该如何改变。因此，我们将维持对过去的基于证据的描述与学习如何采取行动分开。这种洞察力激发了显式概念记忆（ECoMEM），它通过可重用的基础概念库来表示与任务相关的历史。基于证据的 Writer 选择并更新这些记录，而有学问的 Reader 将它们转化为直接调节 VLA 的内存标记。在 16 项 RoboMME 任务中，ECoMEM 在 15 项任务上领先评估的机器人策略。在两项新的真实机器人任务中，同一个内存库要么直接传输，要么只需要一种新概念，取得了 86.1% 的成功率，而无内存 VLA 的成功率为 8.6%。这些结果表明，显式概念为机器人控制提供了可重用且可扩展的内存接口。项目网址：https://ecomem.github.io/