Onderzoekers presenteren Latent Transition Memory (LTM), een methode waarmee robots interacties kunnen onthouden die niet meer zichtbaar zijn. In plaats van volledige waarnemingen op te slaan, legt de methode compacte overgangen tussen opeenvolgende waarnemingen vast. Die worden gebruikt in combinatie met het vision-language-action-model π₀.₅.
In de gerapporteerde tests behaalde LTM-π een slaagpercentage van 80.5% op LIBERO-Mem en 58.54% op RoboMME. Daarmee presteerde het beter dan baselines zonder externe redeneermodellen of geheugenspecifieke annotaties. De paper meldt ook dat het succespercentage bij teltaken met een echte robot steeg van 11.25% naar 82.50%; het abstract geeft geen details over de robot of de testopstelling.
Waarom het ertoe doet
Voor roboticaonderzoekers biedt LTM een geteste manier om interactiegeschiedenis binnen een klein geheugenbudget op te slaan. Uit alleen het abstract blijkt echter niet hoe goed de methode werkt met andere robots of bij andere taken.
