AURA：為機器人策略設計的常量VRAM記憶體架構

一篇研究論文提出AURA-Mem（Action-Utility Recurrent Adaptive Memory）架構，專為在頻寬受限的邊緣硬體上運行的長期、非重置型機器人策略而設計。論文指出，傳統資料中心使用的KV快取記憶體在機器人應用場景中並不適合，因為記憶體寫入而非計算能力可能成為主要瓶頸。AURA-Mem透過一個學習到的閘門，僅在當前觀察結果可能改變下一個動作時才寫入固定大小的循環記憶體，從而實現常量VRAM佔用。其實驗顯示，在合成基準測試中，AURA-Mem在維持準確度的同時，將寫入次數減少至基線的5.19至6.13倍。在OpenVLA-OFT 7B模型於LIBERO-Long基準的測試中，閘門機制在匹配基礎策略成功率（0.233）的前提下，將記憶體寫入次數減少7倍，並保持記憶體佔用恆定。這項研究為機器人在記憶與計算資源稀缺環境下的長期部署提供了一種高效的記憶管理方案。