# LTM geeft robots een compact geheugen voor eerdere acties

> Onderzoekers presenteren een methode waarmee robots voorwerpen en interacties kunnen onthouden die niet meer zichtbaar zijn. Bij geheugentaken behaalde de methode volgens hen hogere slaagpercentages.

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

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.

## De feiten

- De methode slaat overgangen tussen opeenvolgende waarnemingen op en gebruikt causale KV-caching voor incrementele inferentie.
- De paper meldt een slaagpercentage van 84.00% met een geheugenbudget van 200 tokens, tegenover 87.50% zonder compressie.

## 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.

## Bronnen en referenties

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

Laatst bijgewerkt: 2026-10-16