MemERと呼ばれる新しい手法が、長期視覚記憶へのアプローチでロボティクスコミュニティの注目を集めています。この手法は、ロボットの視覚履歴全体をモデルに与える代わりに、高レベルの視覚言語モデル（VLM）を使用して、次にどのサブタスクを実行すべきか、最近見たどのフレームが後で役立つかを継続的に判断します。選択されたキーフレームは長期視覚記憶として保存されます。この選択的アプローチは、長期ロボットタスクにおける重要な問題、つまりモデルを圧倒しパフォーマンスを低下させる無関係な視覚データの爆発的増加を解決します。人間のように重要な瞬間に注意を向けることで、複雑で長時間の操作における効率と精度が向上します。身体化AIに取り組む開発者や研究者にとって、これは限られたリソースで動的環境において長時間動作可能な、より自律的で有能なロボットへの実践的な一歩を示しています。
MemERは、高レベルの視覚言語モデルを使用してロボットの履歴から重要なフレームのみを選択し、長期的な視覚記憶として保存する手法です。これにより、情報過多を防ぎ、長期タスクにおける重要なボトルネックを解決します。このアプローチは、身体化AIにおけるより選択的でインテリジェントなメモリアーキテクチャへのトレンドを示しています。