arXiv cs.AIが2026年6月2日(現地時間)付けで公開した論文によると、ヨセフ・チェン (Josef Chen) 氏らは、ロボットポリシー向けの新たなメモリシステム「AURA-Mem (Action-Utility Recurrent Adaptive Memory)」を発表した。このシステムは、ロボットが帯域幅の限られたエッジハードウェアで長期エピソードを実行する際のメモリ制約に対応し、ビデオRAM（VRAM）使用量を一定に保ちながら、メモリ書き込み回数を大幅に削減する。Key-Valueキャッシュ（KV-cache）がデータセンター向けである一方、AURA-Memはロボットの要求に特化して設計されている。
AURA-Memは、凍結された視覚-言語-行動バックボーンに、一定サイズの回帰型メモリと学習されたゲートを組み合わせた構造を持つ。このゲートは、現在の観測が次の行動を変更する場合にのみメモリへの書き込みを行う。従来の再構築ベースのメモリとは異なり、AURA-Memのゲートは閉ループの行動エラー信号に基づいて直接訓練される。
チェン氏らの研究によると、AURA-Memの推論状態は探索範囲（horizon）にかかわらず4,224バイトに固定される。これは、100,000ステップで6,061倍に拡大するKVキャッシュとは対照的である。
制御された合成ベンチマークにおいて、AURA-Memは最適なO(1)ベースラインと同等の精度を達成しつつ、書き込み回数を5.19〜6.13倍削減した。より簡単な設定では最大9.19倍の書き込み削減が確認されている。また、OpenVLA-OFT 7BパネルをLIBERO-Longで訓練した閉ループ環境での検証では、AURA-Memのゲートは成功率を損なわず、ゲートなしの基本ポリシー（0.233）と同等であり、常時書き込むKVアーム（0.217）をわずかに上回った。この検証では、AURA-Memは書き込み回数を7.0倍削減し、メモリ使用量は一定であった。
参考: arXiv cs.AI — 2026年6月3日 13:00 (JST)
原文ハイライト"AURA: Action-Gated Memory for Robot Policies at Constant VRAM"