Kai Ding के नेतृत्व में शोधकर्ताओं ने WAM-Cache जारी किया है। यह फ्रेमवर्क वीडियो डिफ्यूज़न ट्रांसफॉर्मर के key-value रिप्रेज़ेंटेशन को कंट्रोल चंक्स में दोबारा इस्तेमाल करता है। हर कदम पर पूरे विज़ुअल एन्कोडर की गणना फिर से करने के बजाय, सिस्टम सिर्फ़ चुनिंदा टोकन को रीफ़्रेश करता है। इन टोकन का चुनाव एक्शन एक्सपर्ट के अटेंशन और विज़ुअल सरप्राइज़ के माप के आधार पर होता है; साथ ही, उनके इस्तेमाल की अवधि पर सख़्त सीमा रखी जाती है। Fast-WAM बेंचमार्क में RoboTwin 2.0, LIBERO और वास्तविक दुनिया के परीक्षणों पर यह वीडियो एन्कोडर के FLOPs को 32‑42% घटाता है। सिमुलेशन में इसकी सटीकता डेंस बेसलाइन से 0.7‑1.8 प्रतिशत अंक और असली रोबोट पर 2.5 अंक के भीतर रहती है।
यह क्यों मायने रखता है
रोबोटिक्स डेवलपर सफलता दर में बड़ी गिरावट के बिना, कम महंगे हार्डवेयर पर उच्च प्रदर्शन वाली मैनिपुलेशन नीतियां चला सकते हैं।
