WAM-Cache让机器人视觉计算量最多减少42%

由Kai Ding带领的研究团队发布了WAM-Cache框架，可在不同控制片段间复用视频扩散Transformer的键值表示。系统不再每一步都重新计算整个视觉编码器，而是根据动作专家的注意力和视觉惊异度指标，挑选少量令牌进行更新，并严格限制缓存的使用时长。在Fast-WAM基准测试中，WAM-Cache在RoboTwin 2.0、LIBERO和真实场景测试中将视频编码器的FLOPs降低了32‑42%；与完整计算基线相比，其模拟环境表现仅低0.7‑1.8个百分点，在真实机器人上的表现低2.5个百分点。