WORLDTECH机器人 单一来源
inr2action 将机器人经验存为固定大小的权重增量，用于回忆与行动
由 WORLDTECH 译自英文。事实、数字、名称和来源均与英文原文一致。 English
arXiv 上的一篇预印本提出，将较长的机器人经验保存为一组固定大小的神经权重变化。据论文介绍，语言模型可以回答关于过往经验的问题，解码器可以预测指令，且查询时无需检索已存储的视频帧。
记忆如何构建
该方法以共享初始化为起点，将神经隐式表示拟合到一段经验的视频上，而这一共享初始化是通过元学习获得的。拟合后的权重与该起点之间的差值，即权重增量，被作者视为记忆。
据摘要称，该增量的大小不随经验长度而变化。一段一百帧的经验与一段十万帧的经验，所得增量的大小完全相同。作者将此表述为：记忆与关键信息相关，而非与执行时间相关。
语言与动作输出
一个学习得到的投影器将权重增量转换为词元嵌入，即语言模型读取的数值输入。这些嵌入用于条件化两个组件：一个用于回答问题的语言模型，以及一个联合回归指令的解码器。两者在查询到来时都不检索帧。
据报道，在 RoboMME 基准上，语言模型在每一类问题上都超过随机水平，解码器的平均 R² 达到 0.51。
对照实验指向初始化
作者描述了两项对照实验。将增量替换为同等幅度的噪声后，性能下降 11.4 个点。若权重从随机起点而非元学习得到的初始化出发，则无法解码，论文以此作为共享起点对编码经验内容至关重要的证据。
该预印本被标记为新提交，目前仅有一家媒体报道，即 arXiv Robotics（cs.RO），也是这些发现的唯一来源。
待解问题
- 该方法在 RoboMME 基准之外的机器人任务上表现如何？
- 共享的元学习初始化如何获得，它在多大程度上依赖训练数据？