POLAR: Framework con Memoria Aumentata per Agenti AI Embodied Personalizzati
È stato introdotto un nuovo sistema chiamato POLAR (Personalized Object Learning and Adaptive Retrieval) per migliorare la personalizzazione a lungo termine negli agenti embodied basati su modelli linguistici multimodali di grandi dimensioni (MLLM). Descritto nel preprint arXiv 2605.26256, questo framework affronta il problema degli agenti che interpretano istruzioni implicite dell'utente basandosi su interazioni precedenti anziché su comandi standard. POLAR costruisce un grafo di conoscenza multimodale che comprende sia la memoria semantica (contesto personalizzato e concetti visivi) sia la memoria episodica (traiettorie degli agenti). Recupera i ricordi pertinenti durante l'esecuzione dei compiti per comprendere le richieste correnti e guidare le azioni. Le valutazioni su vari benchmark di machine learning hanno rivelato prestazioni migliorate nell'assistenza personalizzata, segnando un significativo progresso nell'AI embodied, consentendo agli agenti di utilizzare il contesto specifico dell'utente nel tempo.
Fatti principali
- POLAR è un framework multimodale con memoria aumentata per agenti embodied personalizzati.
- Organizza le interazioni precedenti in un grafo di conoscenza multimodale.
- Il grafo di conoscenza include la memoria semantica per contesto personalizzato e concetti visivi.
- Include anche la memoria episodica per esperienze embodied come le traiettorie degli agenti.
- POLAR recupera i ricordi pertinenti per interpretare le richieste correnti e guidare l'esecuzione dei compiti.
- Il framework è stato valutato su molteplici benchmark di machine learning.
- Affronta la necessità che gli agenti sfruttino il contesto personalizzato dalle interazioni a lungo termine.
- Il lavoro è pubblicato su arXiv con identificatore 2605.26256.
Entità
Istituzioni
- arXiv