# LTM让机器人以紧凑形式记住过去的动作

> 研究人员提出一种方法，让视觉-语言-动作机器人把过往互动压缩为简洁的状态转移，并报告称该方法提升了记忆任务的成功率。

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

研究人员提出了潜在转移记忆（Latent Transition Memory，LTM），帮助机器人记住当前视野中已不可见的互动内容。它不保存完整观测，而是记录连续观测之间的精简状态转移，并将其与 π₀.₅ 视觉-语言-动作模型配合使用。

据论文报告的测试结果，LTM-π 在 LIBERO-Mem 上的成功率为 80.5%，在 RoboMME 上为 58.54%，优于既未使用外部推理模型、也未采用专门记忆标注的基线方法。论文还报告称，真实机器人在计数任务中的成功率从 11.25% 升至 82.50%；摘要没有提供机器人或测试设置的细节。

## 事实

- 该方法存储连续观测之间的状态转移，并通过因果 KV 缓存实现增量推理。
- 论文报告称，在 200-token 记忆预算下，成功率为 84.00%；不压缩时则为 87.50%。

## 为什么重要

对机器人研究人员来说，LTM 提供了一种经过测试的方法，可在有限的记忆预算内保存互动历史；但仅凭摘要，尚无法判断它对其他机器人或任务的迁移效果。

## 来源与参考

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

最后更新: 2026-10-16