Исследователи представили архитектуру HiMe (Hierarchical Embodied Memory), решающую проблему «парадокса частоты и компетенции» в VLA-моделях для робототехники. Система разделяет задачи на высокоуровневое рассуждение и низкоуровневое управление, позволяя роботам выполнять сложные многоэтапные действия, требующие длительной памяти, без потери скорости реакции, характерной для тяжелых моделей при работе в реальном времени.
Современные Vision-Language-Action модели часто ограничены марковским процессом, где решение принимается только на основе текущего визуального наблюдения. Это делает невозможным выполнение задач, требующих учета контекста прошлых действий или долгосрочного планирования. HiMe вводит иерархическую структуру памяти, которая хранит релевантный опыт и позволяет модели извлекать нужные стратегии поведения в зависимости от текущего состояния среды.
Архитектура эффективно балансирует между вычислительной нагрузкой и качеством принятия решений. Высокоуровневый модуль отвечает за стратегическое планирование и логические выводы, в то время как легковесный контроллер обеспечивает мгновенную реакцию на изменения в физическом пространстве. Такой подход позволяет преодолеть разрыв между мощными, но медленными моделями рассуждения и быстрыми, но ограниченными в логике системами управления.
Ключевые факты
- HiMe решает проблему «парадокса частоты и компетенции», разделяя процессы рассуждения и управления.
- Архитектура обеспечивает поддержку немарковских задач, требующих долгосрочной памяти и контекстуального понимания.
- Система оптимизирована для работы в реальном времени, сохраняя высокую точность манипуляций в сложных сценариях.
- Метод позволяет эффективно интегрировать сложные когнитивные функции в робототехнические системы без ущерба для скорости отклика.