Kai Ding氏らの研究チームは、動画拡散トランスフォーマーのキー・バリュー表現を制御チャンク間で再利用するフレームワーク「WAM-Cache」を発表した。各ステップで視覚エンコーダー全体を再計算する代わりに、行動エキスパートのアテンションと視覚的な意外性の指標に基づいて選んだ少数のトークンだけを、厳格な経過時間の上限を設けて更新する。Fast-WAMベンチマークでは、RoboTwin 2.0、LIBEROおよび実環境のテストで動画エンコーダーのFLOPsを32～42％削減。シミュレーションでは高密度ベースラインとの精度差を0.7～1.8ポイント以内に、実機では2.5ポイントに抑えた。
なぜ重要か
ロボット開発者は、成功率を大きく下げることなく、より低コストなハードウェアで高性能な操作ポリシーを実行できる。
