オープンワールドでタスク実行するVLAベースエージェントの長期メモリ

要旨: Vision-Language-Action（VLA）モデルは、身体化された意思決定において大きな可能性を示しているが、複雑な化学ラボ自動化への適用は、長期ホライゾン推論の限界と、持続的な経験の蓄積がないことにより制限されている。既存の枠組みでは、計画と実行を分離したプロセスとして扱うことが多く、成功した戦略を統合できない場合があり、その結果、多段プロトコルにおける非効率な試行錯誤が生じる。本論文では、階層的なタスク分解と実行のために、自律型AIエージェントと進捗を考慮するVLAモデル（Skill-VLA）を統合した、デュアルレイヤーのクローズドループ枠組みであるChemBotを提案する。ChemBotは、成功した軌跡を検索可能な資産として統合するためのデュアルレイヤーのメモリアーキテクチャを利用し、さらにModel Context Protocol（MCP）サーバにより、サブエージェントおよびツールのオーケストレーションを効率的に行う。VLAモデルの本質的な制約に対処するため、軌跡の不連続性を緩和する将来状態に基づく非同期推論メカニズムも実装する。協調ロボットに関する大規模な実験により、ChemBotは、複雑で長期ホライゾンの化学実験において、既存のVLAベースラインと比べて、より優れた作業上の安全性、精度、およびタスク成功率を達成することを示す。