An Agentic Framework for Proactive Robots with Procedural Assistance Memory
中文摘要
由模型生成 · 人工抽检提出基于记忆的主动机器人框架，用程序化辅助记忆（PAM）以有限状态机记录活动阶段与辅助规则，VLM 任务预测器结合当前观察决定何时辅助及执行何种任务，VLA 执行器完成任务，反思 VLM 每日更新记忆无需重训。5 天桌面辅助实验中精度、召回与 F1 持续提升，首次触发延迟从 5 秒降至 1 秒。
全文
已译中文arXiv:2610.21211v1 公告类型：新
摘要：主动型机器人应当预判用户需求，并在被明确要求之前提供协助。一种直接的方法是从常识知识中推断人类意图，但相同的观察行为在不同用户身上可能意味着不同的需求，从而可能导致不受欢迎的协助。我们观察到，现实世界中的日常作息呈现出反复出现的模式，因此学习这些模式可以降低主动决策中的歧义。基于此，我们提出了一种基于记忆的智能体框架，其中 VLM 任务预测器在读取当前观测的同时读取程序性协助记忆（Procedural Assistance Memory, PAM），以决定何时提供协助以及执行什么任务，并由 VLA 执行器执行所预测的任务。PAM 的结构包括：以活动阶段为状态的有限状态机、各状态的协助规则以及事件驱动的状态转移；一个反思 VLM 根据每天的交互轨迹修订 PAM，无需权重更新或重新训练。在我们为期 5 天的桌面协助评估中，无记忆基线保持保守，对主动任务的召回有限。我们的系统随经验积累持续改进，取得了最高的精确率、召回率和 F1，并将首次触发延迟从第 1 天的约 5 秒降低到第 5 天的 1 秒。我们的方法还能通过持续的记忆反思适应用户作息的变化，在单次记忆更新后即可从记忆与作息的不一致中恢复。项目页面见 https://davian-robotics.github.io/PAM/
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
2 个 · 均跳转原站，本站不托管文件正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。