MemBodied：视觉-语言-动作模型的循环关联记忆

视觉-语言-动作模型为通用机器人控制提供了坚实基础，但绝大多数策略不会保留并利用当前观测之外的回合级信息。这一局限性在依赖历史信息的操作任务中尤为突出，因为完成这些任务所需的信息只能从过去的观测中获取。将过去的观测保留在上下文中有助于恢复这些信息，但代价是上下文不断增长、变得臃肿，并导致推理延迟增加。因此，我们提出了 MemBodied——一种固定大小的情节记忆，由两个互补组件构成：记录策略调用间交互的关联状态，以及保留初始场景紧凑表示、用作参考的回合锚点。在每次策略调用时，模型根据当前输入和记忆组件生成动作，而不是直接使用过去的观测。在评估的五项需要记忆的 RMBench 任务中，MemBodied 的平均成功率达到无状态策略的 $7.81\times$ 和原生循环记忆的 $2.98\times$；与最强的记忆增强基线相比，在新增参数减少 $10\times$ 的情况下，其性能仍提高了 $1.3\times$。在完全可观测的 LIBERO-Long 基准套件上，其成功率达到 90.6%，比无状态的 $π_0$ 策略提高了 5.4%。这些发现表明，对于依赖历史信息的操作任务，MemBodied 是一种切实可行的替代方案，无需不断扩展策略上下文。