Исследователи представили Latent Transition Memory (LTM) — метод, который помогает роботам помнить взаимодействия, уже не попадающие в поле зрения. Вместо хранения полных наблюдений он записывает компактные переходы между последовательными наблюдениями и использует их вместе с моделью «зрение — язык — действие» π₀.₅.
В описанных авторами испытаниях LTM-π показала успешность 80.5% на LIBERO-Mem и 58.54% на RoboMME, превзойдя базовые модели, которые не использовали ни внешние модели для рассуждений, ни специальные аннотации для задач на память. В статье также сообщается, что успешность подсчёта объектов на реальном роботе выросла с 11.25% до 82.50%; в аннотации не уточняется, какой использовался робот и как проходило испытание.
Почему это важно
Для исследователей в области робототехники LTM предлагает проверенный способ уместить историю взаимодействий в небольшой объём памяти. Однако одной аннотации недостаточно, чтобы судить, насколько хорошо метод применим к другим роботам и задачам.
