शोधकर्ताओं ने Latent Transition Memory (LTM) पेश किया है। यह तरीका रोबोट को उन बातचीतों को याद रखने में मदद करता है जो अब उसके सामने नहीं हैं। पूरी ऑब्ज़र्वेशन सेव करने के बजाय, यह लगातार दो ऑब्ज़र्वेशन के बीच के बदलावों को संक्षिप्त रूप में दर्ज करता है और π₀.₅ विज़न-लैंग्वेज-एक्शन मॉडल के साथ उनका इस्तेमाल करता है।
शोधकर्ताओं के परीक्षणों में LTM-π ने LIBERO-Mem पर 80.5% और RoboMME पर 58.54% सफलता हासिल की। यह उन बेसलाइन तरीकों से बेहतर था जिनमें न तो बाहरी रीजनिंग मॉडल इस्तेमाल किए गए थे, न ही मेमोरी के लिए खास एनोटेशन। पेपर के मुताबिक, असली रोबोट पर गिनती के काम में सफलता 11.25% से बढ़कर 82.50% हुई; हालांकि, एब्स्ट्रैक्ट में रोबोट या परीक्षण की व्यवस्था की जानकारी नहीं दी गई है।
यह क्यों मायने रखता है
रोबोटिक्स शोधकर्ताओं के लिए LTM, इंटरैक्शन का इतिहास कम मेमोरी में रखने का एक परखा हुआ तरीका है। हालांकि, केवल एब्स्ट्रैक्ट से यह साबित नहीं होता कि यह दूसरे रोबोटों या कामों में भी उतना ही कारगर होगा।
