ニティシュ・ダショラ (Nitish Dashora) 氏らは2026年9月17日(現地時間)、複雑なロボット操作タスクにおける長期記憶の問題を解決するため、軽量な潜在記憶表現「ワークスペーストークン (workspace token)」を提案する研究論文をarXivで発表した。このアプローチは、計算負荷の高いVLMクエリを学習時に活用し、デプロイ時には効率的にクエリ可能な軽量メモリとして機能させることで、従来の課題を克服する。
複雑なロボット操作タスクでは、過去のイベントやアクションに関する長期記憶が頻繁に求められる。しかし、履歴全体に条件付けを行うと、ポリシーが偽の相関関係に陥りやすくなり、性能が低下する傾向があった。多くのポリシー記憶アプローチでは、タスクに関連する情報のみを処理するために、実行中の高コストなVLM (Visual Language Model) クエリを通じて履歴情報を圧縮していた。
ダショラ氏らは、計算集約的なVLMクエリを学習時に実行し、デプロイ時に効率的にクエリできる軽量な潜在記憶を学習する代替アプローチを提案する。この表現は「ワークスペーストークン」と呼ばれ、VLMを使用してタスク完了に必要な現在および過去の情報を特定し、その後これらの情報をセット再構築デコーダ損失を用いてワークスペーストークンに蒸留することで学習される。
シミュレーションおよび実際のハードウェアでの実験により、ワークスペーストークンがデプロイ時に観測情報の代替として機能することが示された。これにより、実行中にVLM推論を必要とすることなく、記憶集約的なタスクを解決するポリシーが可能になるという。ワークスペーストークンは軽量であるだけでなく、ポリシー性能の向上にも寄与することが確認された。
参考: arXiv cs.RO (アーカイブ) — 2026年9月18日 02:59 (JST)
原文ハイライト"workspace tokens are not only more lightweight but also lead to better policy performance."