论文页面 - RoboMemArena: A Comprehensive and Challenging Robotic Memory Benchmark

来源：https://huggingface.co/papers/2605.10921 作者：

,

,

,

,

,

,

,

,

,

,

,

摘要

RoboMemArena 提出了一个包含多样化任务和真实世界评估的大规模机器人记忆基准，而 PrediMem 则通过采用预测编码的双系统视觉-语言架构，展示了改进的记忆管理能力。

记忆是机器人智能的关键组成部分，因为机器人必须依赖过去的观察和行动，才能在部分可观测的环境中完成长程任务。然而，现有的机器人记忆基准仍然缺乏用于记忆形成的多模态标注，任务覆盖范围和结构复杂性有限，且仍局限于仿真环境，缺乏真实世界评估 (https://huggingface.co/papers?q=real-world%20evaluation)。为弥补这一空白，我们推出了 RoboMemArena，这是一个包含 26 项任务的大规模基准，每项任务的平均轨迹长度超过 1,000 步，其中 68.9% 的子任务依赖于记忆。该生成流水线利用视觉-语言模型 (https://huggingface.co/papers?q=vision-language%20model)（VLM）来设计和组合子任务，通过原子函数 (https://huggingface.co/papers?q=atomic%20functions) 生成完整轨迹，并提供与记忆相关的标注 (https://huggingface.co/papers?q=memory-related%20annotations)（包括子任务指令和原生关键帧标注），同时配套的真实世界记忆任务支持物理评估。我们进一步设计了 PrediMem，这是一种双系统 VLA (https://huggingface.co/papers?q=dual-system%20VLA)，其中高层 VLM 规划器管理着一个包含近期缓冲区和关键帧缓冲区 (https://huggingface.co/papers?q=keyframe%20buffers) 的记忆库 (https://huggingface.co/papers?q=memory%20bank)，并使用预测编码头 (https://huggingface.co/papers?q=predictive%20coding%20head) 来提高对任务动态的敏感度。在 RoboMemArena 上进行的大量实验表明，PrediMem 的性能优于所有基线模型，并为复杂记忆系统的记忆管理、模型架构和缩放定律提供了深入见解。

查看 arXiv 页面 (https://arxiv.org/abs/2605.10921)查看 PDF (https://arxiv.org/pdf/2605.10921)项目页面 (https://robomemarena.github.io/)GitHub1 (https://github.com/OpenHelix-Team/RoboMemArena)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2605.10921)

在你的 agent 中获取此论文：

hf papers read 2605\.10921

还没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

暂无模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2605.10921 即可在此页面显示链接。

引用此论文的数据集0

暂无数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2605.10921 即可在此页面显示链接。

引用此论文的 Spaces0

暂无 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2605.10921 即可在此页面显示链接。

包含此论文的合集0

暂无合集包含此论文

将此论文添加到合集 (https://huggingface.co/new-collection) 即可在此页面显示链接。