ロボット操作タスクにおいて、視覚・言語・行動（VLA）モデルの長期的なパフォーマンスは、メモリ容量に大きく依存します。既存のメモリ拡張アーキテクチャは主に線形または平坦なストレージに依存しており、操作カテゴリに関する構造的な事前知識や階層的な組織化が欠如していました。この欠陥は効率的な経験の検索を妨げ、未知の長期タスク構成への汎化を制限していました。人間の経験の階層的な組織化に触発され、研究チームは新たなメモリフレームワーク「ECHO（Experience Consolidation and Hierarchical Organization）」を提案しました。これは連続階層空間内で動作します。
ECHOは、双曲オートエンコーダを用いてVLAモデルの隠れ状態を双曲空間にマッピングします。双曲空間は階層構造を自然に表現でき、双曲計量と含意制約メカニズムを活用することで、経験ベクトルが意味メモリツリーに編成され、効率的なトップダウン検索が可能になります。同時に、背景統合メカニズムが幾何学的補間と構造分割を通じてメモリツリーを継続的に洗練し、連続空間内での仮想メモリ合成をサポートします。ECHOはπ0基盤モデルに統合されました。
LIBEROベンチマークと予備的な実世界実験による評価では、本アプローチの有効性が示されました。特に、LIBERO-Longタスクにおいて、π0ベースラインと比較して実行成功率が絶対値で12.8%向上しました。また、クロススイート未見の長期タスク構成に対する構成汎化も改善されました。この研究は、複雑な環境におけるVLAモデルの長期記憶と汎化能力に新たな道を開くものです。