在机器人操作任务中，视觉-语言-动作（VLA）模型在处理长时间跨度的复杂任务时，其表现严重依赖于记忆系统的容量与组织效率。现有的记忆增强架构大多采用线性或扁平化的存储方式，缺乏针对操作类别的结构先验和层次化组织，导致经验检索效率低下，难以泛化到未见过的复杂任务组合。为解决这一问题，研究团队从人类经验的分层组织方式中汲取灵感，提出了ECHO（Experience Consolidation and Hierarchical Organization）框架，一种运行在连续分层空间中的新型记忆系统。
ECHO的核心创新在于利用双曲自编码器将VLA模型的隐藏状态映射到双曲空间。双曲空间具有天然的分层结构，可以高效地表示树状层次关系。通过引入双曲度量标准和蕴含约束机制，经验向量被组织成一棵语义记忆树，支持自上而下的高效检索。与此同时，背景整合机制通过几何插值和结构分裂不断优化记忆树的结构，甚至能够在连续空间中合成虚拟记忆，使得模型能够灵活地适应新场景。该框架被集成到了π0基础模型中，后者是一种通用的机器人操作基础模型。
在LIBERO基准测试以及初步的实物实验中，ECHO展现了显著的性能提升。特别地，在LIBERO-Long任务上，相比于原始的π0基线，ECHO将执行成功率绝对提高了12.8%。此外，在跨套件未见过的长时域任务组合上，模型的组合泛化能力也得到了明显改善。这一工作为VLA模型在复杂、动态环境中的长期记忆与泛化能力开辟了新的路径，有望推动机器人在真实世界中的自主操作水平迈向新的台阶。