# LTM gibt Robotern ein kompaktes Gedächtnis für frühere Aktionen

> Forschende stellen eine Methode vor, mit der Vision-Language-Action-Roboter frühere Interaktionen als kompakte Übergänge speichern. Bei Gedächtnisaufgaben erzielten sie damit höhere Erfolgsraten.

Oossa · 2026-10-16 · https://oossa.com/de/ltm-gives-robots-a-compact-memory-of-past-actions

Forschende stellen Latent Transition Memory (LTM) vor – eine Methode, mit der Roboter sich an Interaktionen erinnern können, die nicht mehr sichtbar sind. Statt vollständige Beobachtungen zu speichern, hält das Verfahren kompakte Übergänge zwischen aufeinanderfolgenden Beobachtungen fest und nutzt sie zusammen mit dem Vision-Language-Action-Modell π₀.₅.

In den berichteten Tests erreichte LTM-π eine Erfolgsrate von 80.5% bei LIBERO-Mem und 58.54% bei RoboMME. Damit übertraf das Verfahren Vergleichsmethoden, die weder externe Reasoning-Modelle noch spezielle Annotationen für Gedächtnisaufgaben verwendeten. Laut Studie stieg die Erfolgsrate beim Zählen mit einem realen Roboter außerdem von 11.25% auf 82.50%; das Abstract enthält keine Angaben zum Roboter oder zum Versuchsaufbau.

## Die Fakten

- Das Verfahren speichert Übergänge zwischen aufeinanderfolgenden Beobachtungen und nutzt kausales KV-Caching für die schrittweise Inferenz.
- Die Studie berichtet von einer Erfolgsrate von 84.00% bei einem Speicherbudget von 200 Tokens, verglichen mit 87.50% ohne Komprimierung.

## Warum es wichtig ist

Für die Robotikforschung bietet LTM eine getestete Möglichkeit, den Verlauf von Interaktionen in einem kleinen Speicher abzulegen. Das Abstract allein zeigt jedoch nicht, wie gut sich die Methode auf andere Roboter oder Aufgaben übertragen lässt.

## Quellen und Referenzen

1. [LTM: Latent Transition Based In-Context Memory for Vision-Language-Action Models](https://arxiv.org/abs/2610.21362) – arXiv cs.RO, 2026-10-16

Zuletzt aktualisiert: 2026-10-16