AURA: Adaptywna pamięć dla robotów z stałym zużyciem VRAM

Badacze z arXiv zaprezentowali AURA-Mem (Action-Utility Recurrent Adaptive Memory), innowacyjne podejście do pamięci dla polityk robotycznych. W przeciwieństwie do popularnego w datacentrach KV-cache, ta metoda została specjalnie zaprojektowana dla robotów działających w rzeczywistym świecie na słabszym sprzęcie brzegowym, gdzie przepustowość pamięci staje się wąskim gardłem.

Klucz do rozwiązania to inteligentna bramka (gate), która uczy się, kiedy warto zapamiętać obserwacje. Zamiast zapisywać wszystkie dane, system zapisuje tylko wtedy, gdy obecna obserwacja mogłaby wpłynąć na następną akcję robota. Rozmiar pamięci pozostaje stały na 4,2 KB niezależnie od tego, jak długo robot pracuje – podczas gdy tradycyjny KV-cache rośnie do 6 tysięcy razy większych rozmiarów przy 100 tysiącach kroków.

WynikiTestów wykazały imponujące oszczędności: AURA-Mem używa 5-6 razy mniej zapisów niż konkurencyjne rozwiązania O(1), a w łatwiejszych scenariuszach nawet 9 razy mniej. Ważne jest, że na rzeczywistych zadaniach robotycznych (LIBERO-Long) system utrzymuje dokładność polityki bazowej. To szczególnie istotne dla aplikacji mobilnych i robotów autonomicznych, gdzie flash memory ma ograniczoną żywotność, a energia jest cennym zasobem.