Mem4Act：长时程机器人操作的潜在记忆框架

2026年10月16日，arXiv Robotics 刊出由 Yun Zhang 等作者发布的论文，提出 Mem4Act——一个为长时程机器人控制学习固定大小潜在记忆的框架。据该报道，Mem4Act 通过多粒度时间聚合、问答监督与关键帧 DINO 特征重建来保留语义和感知信息，并采用记忆优先的两阶段训练，使动作策略更依赖记忆。报道称，在 RoboMME、RMBench 和四项真实世界操作任务上，其成功率分别达到 49.88%、61.0% 和 81.5%，在依赖记忆的控制任务上取得当前最优性能。上述数据与结论均来自该论文报道本身，尚无其他跟进报道对结果作独立验证或修正。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。