پژوهشگران روش «حافظه گذار نهفته» (LTM) را معرفی کرده‌اند؛ روشی که به ربات‌ها کمک می‌کند تعاملاتی را به یاد بسپارند که دیگر در میدان دیدشان نیستند. این روش به‌جای ذخیره‌سازی کامل مشاهدات، گذارهای فشرده میان مشاهدات پیاپی را ثبت می‌کند و آن‌ها را همراه با مدل بینایی‌ـ‌زبان‌ـ‌کنش π₀.₅ به کار می‌گیرد.
در آزمون‌های گزارش‌شده، LTM-π در LIBERO-Mem به موفقیت 80.5% و در RoboMME به 58.54% رسید و از روش‌های پایه‌ای بهتر عمل کرد که نه از مدل‌های استدلالی بیرونی استفاده می‌کردند و نه از حاشیه‌نویسی‌های ویژه حافظه. مقاله همچنین گزارش می‌دهد که میزان موفقیت در شمارش با ربات واقعی از 11.25% به 82.50% افزایش یافته است؛ چکیده مقاله جزئیاتی درباره ربات یا شیوه اجرای آزمون ارائه نمی‌کند.
چرا مهم است
برای پژوهشگران رباتیک، LTM روشی آزموده‌شده برای جا دادن تاریخچه تعاملات در بودجه‌ای محدود از حافظه فراهم می‌کند؛ بااین‌حال، چکیده به‌تنهایی نشان نمی‌دهد که این روش تا چه اندازه به ربات‌ها یا وظایف دیگر قابل تعمیم است.
