EventSync：面向历史依赖机器人操作的事件驱动记忆更新

基于摘要分析。该研究面向历史依赖机器人操作：当前观测不足以决定下一步动作，而过早将子目标记为完成会误导后续规划。EventSync 通过事件驱动的记忆更新，将高层子目标推理与低层动作执行协调起来，核心贡献是以完成证据控制历史写入及下一轮推理的触发。 机制上，vision-language model 根据任务计划与交互历史生成子目标，vision-language-action model 负责执行；轻量级 Event Monitor 结合视觉观测与末端执行器轨迹判断当前子目标是否完成。只有取得完成证据后，框架才将该子目标写入已完成子目标历史，并触发后续推理。其针对的关键歧义是：相似视觉观测可能对应不同执行阶段，因此不能仅凭当前画面可靠判断完成状态。 作者报告，在执行器包含视觉历史的设置下，EventSync 在 RoboMME 上取得 64.5% 的总体成功率，比该基准报告的最佳基线高 20.0 个百分点；作者还报告，进一步分析支持该更新机制有助于建立可靠的已完成子目标历史，并在具有不同记忆需求的四项真实机器人任务上验证了框架有效性。具体模型、训练监督、数据划分、完成判据、基线配置、消融及统计信息尚未验证，不能据摘要判断收益分别来自事件监测、视觉历史还是其他组件。 平台推测（待验证）：若用于具有多阶段任务状态的 BCI 辅助机器人操作，可检验“获得完成证据后再更新任务记忆”的机制是否减少错误状态累积。这一假设对应的是交互状态管理，而非 EEG 解码创新；可复用记忆写入与推理触发逻辑，完成监测则需适配设备反馈、视觉证据及 BCI 指令的不确定性。低信噪比 EEG、跨被试差异和小样本条件可能导致指令识别或完成判断失准。小规模实验可在固定解码器与任务条件下，对比即时更新和证据门控更新的错误写入率、任务成功率及等待时延。已有 EEG 相关工作尚未检索确认。