Remembering What Matters for Long-Horizon Robotic World Models
ReCAP 是一种训练无关的推理上下文调度方法,面向冻结的自回归机器人视频世界模型,保留初始场景锚点和近期完整视觉—动作块,淘汰较早生成历史;不引入新模块或参数更新。
展开解读与证据
ReCAP 是一种训练无关的推理上下文调度方法,面向冻结的自回归机器人视频世界模型,保留初始场景锚点和近期完整视觉—动作块,淘汰较早生成历史;不引入新模块或参数更新。
为什么值得关注
可作为研究机器人视频世界模型推理上下文管理的阅读线索,重点核查初始锚点与近期状态承担的不同信息作用。
研究问题
自回归机器人视频世界模型在长程 rollout 中可靠性下降,全历史解码(Full Context)导致持久场景信息、近期视觉—动作状态与陈旧生成历史在注意力池中竞争,形成记忆角色冲突。
方法原理
ReCAP 在推理时保留初始场景锚点 A 和最近 W 个完整视觉—动作块 B_{max(1,t−W+1):t},淘汰更早块;保持块内结构与时间顺序,冻结 tokenizer、world model 和 visual decoder。
结果与证据
在 RT-1、BridgeV2、LIBERO-90 和 CALVIN 上,ReCAP 相比 Full Context 提升视觉保真度、动作条件一致性与机器人结构保持性;在 BridgeV2 上 LPIPS 降低 63.3%;H=64 时逻辑 KV 足迹减少 73.3%,p50 延迟降低 6.51%。
阅读边界
本次读取了截断的正文片段,覆盖摘要、引言及部分问题定义和方法;未完成实验章节核验。此简讯仅介绍上下文调度方法,不据此声称各基准上的效果、资源节省或机器人闭环收益。
评论 · —
昵称自填。评论会展示给其他读者,请勿填写私人信息。
正在读取评论…