AURA-Mem은 데이터센터용 KV 캐시가 로봇에는 부적합하다는 문제의식에서 출발한, 일정한 VRAM으로 동작하는 로봇 정책용 메모리다. 임베디드 에지 하드웨어에서 길고 리셋되지 않는 에피소드를 돌릴 때는 연산보다 메모리 쓰기가 병목이 되는데, AURA-Mem은 동결된 비전-언어-행동 백본을 고정 크기 순환 메모리와 학습된 게이트로 감싸 '현재 관측이 다음 행동을 바꿀 때만' 기록한다. 게이트는 재구성이 아니라 폐루프 행동 오차 신호로 직접 학습된다. 추론 상태는 지평선과 무관하게 4,224바이트로 고정되며, 10만 스텝에서 KV 캐시는 6,061배까지 커진다. 합성 벤치마크에서 최고 O(1) 베이스라인과 동등한 정확도를 5.19~6.13배(쉬운 설정에선 최대 9.19배) 적은 쓰기로 달성했고, LIBERO-Long 폐루프 실험에서도 쓰기를 7배 줄이면서 성공률을 유지했다.
- •에지 로봇의 긴 비리셋 에피소드에서 메모리 쓰기가 병목이라는 문제를 결우는 일정 크기 메모리
- •현재 관측이 다음 행동을 바꿀 때만 기록하는 학습된 게이트(폐루프 행동 오차 신호로 학습)
- •추론 상태 4,224바이트 고정—KV 캐시는 10만 스텝에서 6,061배 커짐
- •합성 벤치마크에서 최고 O(1) 베이스라인 대비 쓰기 5.19~6.13배(최대 9.19배) 절감
- •LIBERO-Long(OpenVLA-OFT 7B)에서 쓰기 7배 감소하면서도 성공률 유지(0.233)
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
AURA: Action-Gated Memory for Robot Policies at Constant VRAM
- 1.AURA-Mem, 동결 VLA 백본에 고정 크기 순환 메모리와 학습된 게이트 결합
- 2.다음 행동을 바꿀 관측일 때만 쓰는 행동-효용 기반 메모리 쓰기
- 3.추론 상태 4,224바이트 고정—KV캐시는 10만 스텝서 6,061배 커짐
- 4.OpenVLA-OFT 7B LIBERO-Long서 성공률 유지하며 쓰기 7배 절감
왜 중요한가?
데이터센터용 KV캐시가 메모리 쓰기가 병목인 에지 로봇에는 부적합하다는 점을 짚고, 행동을 바꿀 관측에만 기록하는 게이트로 일정 메모리·쓰기 대폭 절감을 성능 손실 없이 달성해 임베디드 로봇 정책의 실용적 메모리 설계를 제시했다.
로봇 정책을 위한 새로운 메모리 아키텍처 AURA는 로봇의 장기적인 자율 행동에 필요한 효율적인 VRAM 사용을 가능하게 합니다. 로봇 기술 선도국인 한국에서 이러한 메모리 최적화 기술은 차세대 로봇 개발 및 상용화에 중요한 기반이 될 것입니다.
본문 미리보기
arXiv:2606.02775v1 Announce Type: new Abstract: The KV-cache is the right memory for datacenters but the wrong memory for robots. Datacenter inference batches many short requests and resets them, amortizing an attention cache across a crowd. Embodied agents instead run one long, non-resetting episode on bandwidth-limited edge hardware, where high-bandwidth memory and flash are scarce, flash has finite write endurance, and memory writes rather than compute can become the binding constraint. AU
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:12AI 초안
