在关键任务场景中，例如灾害检查和搜索救援，通信受限的机器人必须在没有远程操作员或高容量推理服务的情况下做出可靠的现场决策。尽管情节记忆的重用是一种成本低廉的备选方案，但检索相似性并不保证执行的有效性，即检索到的动作可能与当前上下文匹配，但由于拓扑变化、电池余量不足或先前结果的不可靠性而变得不安全。我们称这种高相似性但执行无效的情节为内存陷阱。这创造了一个安全与效率的设计空间，其中仅依赖相似性重用最小化了备用成本，但可能不安全，而始终调用本地推理则在高计算和能量成本下提高安全性。本文提出了MemoGuard，这是一种轻量级自适应运行时，在重用之前，根据拓扑、资源和结果合同验证情节记忆，仅在验证失败时调用备用。在基于图的走廊检查模拟器中，MemoGuard将电池安全违规减少了76.6%，相比仅使用相似性进行的 top-1 重用，同时将备用调用减少了21.4%，相比始终进行推理。在配备本地 llama3.2:3b 备用推理的 NVIDIA Jetson AGX Xavier 上，这每次试验避免了3.67秒和36.97焦耳的备用推理开销。我们在 https://github.com/hetheiin/memoguard 上开源了 MemoGuard。
博主点评： MemoGuard 提供了一种创新的方法来解决通信受限环境中机器人的决策问题，通过有效验证情节记忆的安全性，显著提高了导航的安全性和效率。其开源特性也为相关研究提供了良好的基础，值得关注与进一步探索。