Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

RoboMemory : un cadre agentique multi-mémoire inspiré du cerveau pour l'apprentissage tout au long de la vie dans les systèmes physiques incorporés

Created by
  • Haebom

Auteur

Mingcong Lei, Honghao Cai, Binbin Que, Zezhou Cui, Liangchen Tan, Junkun Hong, Gehan Hu, Shuangyu Zhu, Yimou Wu, Shaohan Jiang, Ge Wang, Zhen Li, Shuguang Cui, Yiming Zhao, Yatong Han

Contour

RoboMemory est un framework multi-mémoire inspiré du cerveau pour l'apprentissage continu dans des systèmes d'implémentation physique. Il répond à des défis critiques tels que l'apprentissage continu en environnement réel, la latence mémoire multi-modules, la capture des corrélations entre tâches et la limitation des boucles infinies dans la planification en boucle fermée. Basé sur les neurosciences cognitives, il intègre quatre modules principaux : un préprocesseur d'information (de type thalamus), un système de mémoire d'implémentation continue (de type hippocampe), un module de planification en boucle fermée (de type cortex préfrontal) et un exécuteur de bas niveau (de type cervelet), permettant la planification à long terme et l'apprentissage cumulatif. Le système de mémoire d'implémentation continue, au cœur du framework, atténue les problèmes de vitesse d'inférence des frameworks de mémoire complexes grâce à des mises à jour/récupérations parallélisées sur des sous-modules spatiaux, temporels, épisodiques et sémantiques. Il intègre un graphe de connaissances dynamique (KG) et une architecture cohérente pour améliorer la cohérence et l'évolutivité de la mémoire. Les résultats d'évaluation sur EmbodiedBench montrent que RoboMemory atteint une performance de pointe (SOTA), supérieure en moyenne de 25 % à celle du benchmark open source (Qwen2.5-VL-72B-Ins) et de 5 % à celle du benchmark SOTA (Claude3.5-Sonnet). Des études d'élimination valident des composants clés (critique, mémoire spatiale et mémoire à long terme), et des déploiements en situation réelle démontrent ses capacités d'apprentissage continu, améliorant significativement les taux de réussite des tâches répétitives. RoboMemory atténue les problèmes de latence élevée grâce à son évolutivité et sert de référence pour l'intégration de systèmes de mémoire multimodaux dans des robots physiques.

Takeaways, Limitations

•
Takeaways:
◦
Résoudre efficacement les problèmes d’apprentissage tout au long de la vie dans des environnements réels grâce à une architecture multi-mémoire inspirée du cerveau.
◦
Résolution des problèmes de vitesse d'inférence dans des cadres de mémoire complexes avec accès mémoire parallélisé.
◦
Des performances démontrées surpassant les modèles SOTA existants sur EmbodiedBench.
◦
Validation des capacités d'apprentissage tout au long de la vie grâce au déploiement réel de robots.
◦
Fournit une référence de base pour l'intégration de systèmes de mémoire multimode.
•
Limitations:
◦
Actuellement, les évaluations de performance ont été menées sur des plateformes et des tâches robotiques spécifiques, de sorte que la généralisation à d’autres environnements ou tâches nécessite des recherches supplémentaires.
◦
Manque d’analyse détaillée de la consommation des ressources pour la mise en œuvre et la gestion de systèmes de mémoire complexes.
◦
Une analyse approfondie est nécessaire pour résoudre les problèmes potentiels de surcharge de mémoire ou de stabilité du système qui peuvent survenir lors d’un apprentissage à long terme.
◦
Des recherches supplémentaires sont nécessaires sur l’intégration et le traitement de différents types d’informations sensorielles.
👍
Made with Slashpage