MemoAct：受 Atkinson-Shiffrin 记忆模型启发的记忆增强 visuomotor 控制策略
机器人学
2026-03-20 v1
摘要
记忆增强的机器人策略在处理依赖记忆的任务方面至关重要。然而，现有方法通常依赖简单的观察窗口扩展，难以同时实现精确的任务状态跟踪和稳健的长期保留。为克服这些挑战，我们受 Atkinson-Shiffrin 记忆模型启发，提出 MemoAct，一种基于层次记忆的策略，利用不同记忆层次解决特定瓶颈。具体而言，无损的短期记忆确保了精确的任务状态跟踪，而压缩的长期记忆则实现了稳健的长期保留。为丰富评估基地，我们基于 RoboTwin 2.0 构建 MemoryRTBench，专门用于评估策略在任务状态跟踪和长期保留方面的能力。广泛的仿真和真实世界实验表明，MemoAct 在性能上优于现有的马尔可夫式基线和 history-aware 策略。项目页面 \href{https://tlf-tlf.github.io/MemoActPage/}{available}。
引用
@article{arxiv.2603.18494,
title = {MemoAct: Atkinson-Shiffrin-Inspired Memory-Augmented Visuomotor Policy for Robotic Manipulation},
author = {Liufan Tan and Jiale Li and Gangshan Jing},
journal= {arXiv preprint arXiv:2603.18494},
year = {2026}
}