สถาปัตยกรรมหน่วยความจำแบบ KV-cache ที่ใช้ในดาต้าเซนเตอร์ไม่เหมาะกับหุ่นยนต์ เนื่องจากหุ่นยนต์ต้องทำงานต่อเนื่องยาวนานโดยไม่มีการรีเซ็ต ทำให้หน่วยความจำ VRAM พุ่งสูงขึ้นเรื่อยๆ งานวิจัยนี้จึงนำเสนอ AURA-Mem (Action-Utility Recurrent Adaptive Memory) ซึ่งเป็นหน่วยความจำแบบวนซ้ำขนาดคงที่ (4,224 bytes) พร้อมระบบ Learned Gate ที่จะตัดสินใจเขียนข้อมูลลงหน่วยความจำเฉพาะเมื่อข้อมูลที่ได้รับส่งผลต่อการเปลี่ยนท่าทางหรือการตัดสินใจเท่านั้น
จากการทดสอบ AURA-Mem สามารถรักษาประสิทธิภาพการทำงานได้เท่ากับโมเดลพื้นฐาน แต่ลดจำนวนครั้งในการเขียนข้อมูลลงหน่วยความจำได้ถึง 5-9 เท่า และใช้หน่วยความจำ VRAM น้อยกว่า KV-cache ถึง 6,061 เท่าในการทำงาน 100,000 ก้าว วิธีการนี้ช่วยแก้ปัญหาคอขวดในแง่แบนด์วิดท์หน่วยความจำและความทนทานของ Flash Memory ในฮาร์ดแวร์หุ่นยนต์ขนาดเล็กได้เป็นอย่างดี
