Des chercheurs dirigés par Kai Ding ont présenté WAM-Cache, un système qui réutilise les représentations clé-valeur d’un transformeur de diffusion vidéo d’un segment de commande à l’autre. Au lieu de recalculer l’ensemble de l’encodeur visuel à chaque étape, le système ne met à jour qu’un ensemble restreint de jetons, sélectionnés selon l’attention du module spécialisé dans les actions et un indicateur de surprise visuelle, avec une limite stricte sur leur ancienneté. Sur le benchmark Fast-WAM, il réduit de 32 à 42 % les FLOPs de l’encodeur vidéo sur RoboTwin 2.0, LIBERO et lors de tests en conditions réelles. En simulation, ses résultats restent à 0,7-1,8 point de pourcentage de ceux de la référence sans cache, et à 2,5 points sur un robot réel.
Pourquoi c'est important
Les développeurs en robotique peuvent faire tourner des politiques de manipulation performantes sur du matériel moins coûteux, sans forte baisse du taux de réussite.
