HELM：利用增强型长程记忆进行视觉 - 语言 - 动作操作

视觉 - 语言 - 动作（VLA）模型在长程操作任务中表现系统性失败。本文指出仅扩展上下文长度无法解决该问题，根源在于执行循环中的记忆、验证与恢复缺口。为此提出 HELM 框架，包含通过 CLIP 索引关键帧检索历史的情景记忆模块、预测动作失败的状态验证器及执行回滚重规划的控制器。实验表明，该方法在 LIBERO-LONG 数据集上显著优于基线，有效提升了长程任务成功率及抗干扰恢复能力。