[Journal club] ReMEmbR: Building and Reasoning Over Long-Horizon Spatio-Temporal Memory for Robot Navigation

Transcript

1. Abrar Anwar1, 2, John Welsh1, Joydeep Biswas1, 3, Soha Pouya1, Yan Chang1 1NVIDIA, 2University of Southern California, 3University of Texas at Austin ICRA 2025 慶應義塾大学 杉浦孔明研究室 B4 高科明哲 ReMEmbR: Building and Reasoning Over Long-Horizon Spatio-Temporal Memory for Robot Navigation Abrar Anwar, et al. ReMEmbR: Building and Reasoning Over Long-Horizon Spatio-Temporal Memory for Robot Navigation. ICRA 2025. pp. 2838-2845.
2. 概要 - 2 - ◼ 提案：ReMEmbR ◼ 長期間の走行ログ (画像・位置・時刻) をキャプション + 埋め込みにより 検索可能なメモリーデータベースに格納 ◼ LLM-agent が text / position / time の3種類の検索関数を反復実行し、 必要な記憶だけを抽出して回答を生成 ◼ 結果 ◼ 長時間動画ほど ReMEmbR が単純なLLM手法を 上回る ◼ 長時間動画でも推論にかかる時間が短い
3. 背景: 既存手法は長時間動画を扱えない - 3 - ◼ ロボットは長期間における観測履歴の理解が重要 ◼ 自律移動ロボットは 数十分〜数時間 の行動履歴に基づいて 質問に回答する必要がある ◼ 既存手法 (MobilityVLA [Chiang+, CoRL25]) は 1-2 分程度の短い動画のみを扱う ◼ Transformer 系は動画時間が長くなれば, 計算コストが急増する → 長時間動画を扱うことが困難
4. 関連研究: 既存手法は長時間動画や時系列を扱えない - 4 - タスク・手法 特徴 OpenEQA [Majumdar+, CVPR24] ロボットの視覚観測に基づく質問応答タスク  30秒程度の短いエピソードを対象 Vision-and-Language Navigation [Anderson+, CVPR18] 未知環境に対するナビゲーション  ロボットは環境を事前に探索可能な場合が多い 3D Semantic Scene Graphs [Wald+, CVPR20] Topological Memory [Savinov, ICLR18] オブジェクト同士の意味的・空間的関係を捉える  時系列イベントや物体の動的な質問に対応できない MobilityVLA [Chiang+, CoRL25] long-context VLMを用いた目標地点へのナビゲーション  長時間動画に対してスケーラブルでない 3D Semantic Scene Graphs MobilityVLA
5. 問題設定: 長期履歴から質問に回答 - 5 - ◼ 入力: 質問 𝑄と長期履歴 𝐻 = (𝐻𝐼 , 𝐻𝑃 , 𝐻𝑇 ) ◼ 𝐻𝐼 : 画像履歴 ◼ 𝐻𝑃 : ロボットの位置履歴 ◼ 𝐻𝑇 : 時刻履歴 ◼ 出力: 回答 ෠ 𝐴 = 𝐹(𝑄, 𝐻) ◼ 質問の種類に応じて出力形式を固定 → ロボットにとって actionable • Spatial: 座標 (𝑥, 𝑦, z) • Temporal: 時刻や経過時間 • Descriptive: yes/no または自由記述
6. 提案手法 (1/4)：ReMEmbR - 6 - Retrieval-augmented Memory for Embodied Robots (ReMEmbR) ◼ 長時間履歴 𝐻 から回答に必要な部分集合 𝑅 を検索して推論 ◼ Step 1: Memory Building ◼ Step 2: Querying ◼ 新規性 ◼ 長期履歴 𝐻 を事前に 検索可能なメモリ 𝑉 に変換 ◼ text / position / time の3種の 検索により、回答に必要な 履歴 𝐻 の部分集合 𝑅 を取得
7. 提案手法 (2/4)： ReMEmbR (Memory Building) - 7 - 検索可能なベクトルデータベース 𝑉 を構築 1. 動画を3秒ごとに分割 𝐻𝐼𝑖:𝑖+𝑡 (𝑡 = 3, 𝑖 ∈ {0, 3, 6, … } [s]) 2. 動画のキャプション生成 𝐿𝑖:𝑖+𝑡 = Captioner 𝐻𝐼𝑖:𝑖+𝑡 3. テキスト埋め込み 𝑒𝑖 = 𝐸 𝐿𝑖:𝑖+𝑡 4. メモリをベクトルDBに登録 𝑀𝑖 = (𝑒𝑖 , 𝐻𝑃𝑖:𝑖+𝑡 , 𝐻𝑇𝑖:𝑖+𝑡 ) ∈ 𝑉 𝐻𝐼 : 画像履歴 𝐻𝑃 : ロボットの位置履歴 𝐻𝑇 : 時刻履歴 ◼ キャプション埋め込みだけでなく 位置・時刻も付与したメモリを構築
8. 𝑅∗ = arg min 𝑅 𝑅 s.t. arg max 𝐴 𝑝 𝐴 𝑅, 𝑄 = arg max 𝐴′ 𝑝 𝐴′ 𝐻, 𝑄 LLM-agent による逐次検索 1. LLM-agent が質問 𝑄 と現在の文脈 𝑅𝑘 から， 検索関数 𝒇∗ とクエリ 𝒒𝒌 を決定 2. Vector DB から検索結果 (𝒎 memories) を取得 3. 取得した memories を文脈 𝑹𝒌 に追加 𝑅𝑘+1 = 𝑅𝑘 ∪ 𝑓∗ 𝑞𝑘 , 𝑉 4. 回答に十分と判断するまで 1〜3 を繰り返す 5. 十分な文脈が集まったら最終回答を生成 ◼ 回答に必要な記憶だけを集めて推論 → 長時間動画も扱える 提案手法 (3/4)： ReMEmbR (Querying①) - 8 -
9. 提案手法 (4/4)： ReMEmbR (Querying②) - 9 - ◼ 呼び出せる3種類の検索関数 𝒇∗ ◼ Text retrieval: 𝑓𝑙 𝑞text , 𝑉 • テキストクエリを埋め込み, それに近い memories を検索 ◼ Position retrieval: 𝑓𝑝 𝑞pos , 𝑉 • 指定位置に近い memories を検索 ◼ Time retrieval: 𝑓𝑡 𝑞time , 𝑉 • 指定時刻に近い memories を検索 ◼ 検索関数 𝑓∗ により 𝑚 memories を取得 𝑓∗ 𝑞, 𝑉 → {𝑀1 , … , 𝑀𝑚 }, 𝑀𝑖 = 𝑒𝑖 , 𝑝𝑖 , 𝑡𝑖
10. 実験設定: データセット NaVQA を構築し評価 - 10 - ◼ 新規データセット: NaVQA ◼ 長時間ナビゲーションQAデータセット を構築 ◼ short (0-2 min), medium (2-7 min), long (7+ min) ◼ 30 問 × 7 sequences ◼ 検索設定 ◼ captioner: VILA1.5-13b [Lin+, CVPR24] (3秒の動画, 2 FPS) ◼ embedder: mxbai-embed-large-v1 ◼ 検索の繰り返し: 3回まで ◼ 評価指標 ◼ Spatial: L2距離 (15m以内で正解) ◼ Temporal: L1距離 (2分以内で正解) ◼ Descriptive accuracy: LLM-Match
11. 定量的結果 (1/2): 長時間動画でも精度よく回答可能 - 11 - ☺ ReMEmbRはほとんどの場合で単純な LLM手法を上回った ☺ 長時間動画でも高い正答率を維持
12. 定量的結果 (2/2): 長時間動画でも短い時間で推論可能 - 12 - ◼ 推論速度 ◼ ReMEmbR: 25 sec / question (21.5 分の長時間動画) ◼ VLM: 5.5 min / question (5.5 分の短い動画) ◼ 検索機能を呼び出すだけ → ☺ 推論速度が動画の長さに依存しづらい ◼ Ablation Study ◼ 検索の反復を行うことで精度向上 ◼ 長い間隔で動画を分割すると 性能が低下 ◼ キャプショニングモデルの性能 による影響あり
13. 実機実験と定性的結果: 実機でのナビゲーション - 13 - ◼ 実験設定 ◼ ロボット: Nova Carter robot • computer: Jetson Orin 32GB • LLM-agent: GPT-4o • captioner: VILA1.5-3b ◼ Memory Building • 25分間ロボットを走らせて構築 ◼ 定性的結果 ☺ 「眺めが綺麗な場所」のような抽象的な 指示にも適切に対応  soda machine や water fountain といった オブジェクト認識を誤る • 3Bモデルでのキャプション精度の限界
14. 追試・エラー分析 (1/2): 再現実験の設定 - 14 - ◼ モデル ◼ 実験環境 ◼ GPU: RTX 5090 ◼ VRAM: 32 GB ▲ 動作確認に使用した動画 (24倍速) captioner: VILA1.5-8b embedder: mxbai-embed-large-v1 LLM-agent: GPT-4o ◼ 使用したデータセット ◼ 13.7分の動画 (CODa Sequence 0)
15. 追試・エラー分析 (2/2): 論文値を再現 - 15 - ◼ 定量的結果 ◼ 論文値を再現 ◼ 定性的結果 ◼ 成功例 • Q: “Did you see a red fire hydrant?” A: “yes” • Q: “When did you first enter the building?” A: “4.5 min ago” • Q: “Where is the closest place to sit?” A: [-104, 170, -2.4] ◼ 失敗例 • Q: “Where is the nearest recycling bin?” • Q: “Are you stopped in a loading zone right now?”  キャプションによる情報の欠落 Overall Correctness ↑ 推論速度 (s) Short Medium Long 実験値 0.88 (7/8) 0.71 (5/7) 0.50 (5/10) 19.3 論文値 0.72±0.5 0.56±0.5 0.61±0.5 25
16. まとめ - 16 - ◼ 提案：ReMEmbR ◼ 長期間の走行ログ (画像・位置・時刻) をキャプション + 埋め込みにより 検索可能なメモリーデータベースに格納 ◼ LLM-agent が text / position / time の3種類の検索関数を反復実行し、 必要な記憶だけを抽出して回答を生成 ◼ 結果 ◼ 長時間動画ほど ReMEmbR が単純なLLM手法を 上回る ◼ 長時間動画でも推論にかかる時間が短い