AURA：用於機器人策略的動作門控記憶，保持常數VRAM

研究論文提出AURA-Mem（Action-Utility Recurrent Adaptive Memory），這是一種針對機器人策略設計的動作門控記憶系統，旨在解決嵌入式代理在邊緣硬件上面臨的記憶管理挑戰。資料中心推理通常使用KV-cache來批次處理短請求，但這種方式不適合機器人，因為機器人運行長時間、非重置的episode，在頻寬有限的硬體上記憶體和快閃記憶體稀缺，且寫入耐久性有限。AURA-Mem通過一個固定大小的循環記憶和學習門控來包裝凍結的視覺-語言-動作骨幹，只在當前觀察會改變下一個動作時寫入記憶，從而減少記憶寫入操作。在合成基準測試中，它與最佳O(1)基線在準確度上匹配，同時使用更少的寫入次數。在實際應用中，例如在OpenVLA-OFT 7B模型和LIBERO-Long數據集上測試，AURA-Mem在不犧牲成功率的前提下，將寫入操作減少7倍並維持常數記憶使用。這表明AURA-Mem為邊緣AI提供了一種高效且實用的記憶管理方案，有助於優化機器人策略在資源受限環境中的運行。