用于机器人操作的视觉-语言-动作模型双重潜在记忆

论文提出 LaMem-VLA，针对传统视觉-语言-动作模型依赖当前观测、难以处理长时序任务的问题，将历史经验重建为与模型推理相同空间中的潜在记忆令牌。系统通过短期与长期记忆库、检索器、压缩器和交织器，把历史上下文与当前视觉观测及指令共同输入策略，并在 SimplerEnv 与 LIBERO 上进行实验。