본 논문은 Vision-Language-Action (VLA) 모델이 로봇 조작 작업에서 겪는 프레임별 처리의 한계를 극복하기 위해, 과거와 현재의 시각적 표현을 지능적으로 통합하는 훈련 없는 접근 방식인 Temporal Token Fusion (TTF)를 제안합니다. TTF는 효율적인 흑백 픽셀 차이 분석과 어텐션 기반 의미론적 관련성 평가를 결합한 이중 차원 감지를 활용하여, 하드 퓨전 전략과 키프레임 앵커링을 통해 선택적인 시간적 토큰 융합을 가능하게 합니다.
시사점, 한계점
•
시사점:
◦
TTF는 VLA 모델의 성능을 향상시키는 훈련 없는 방법론을 제시했습니다.
◦
LIBERO, SimplerEnv, 실제 로봇 작업 등 다양한 환경에서 일관된 성능 향상을 보였습니다.
◦
OpenVLA 및 VLA-Cache 아키텍처에서 모두 작동하는 모델 독립적인 접근 방식입니다.
◦
어텐션 메커니즘에서 쿼리 행렬 재사용의 긍정적인 효과를 확인하여, 계산 가속화 및 작업 성공률 향상을 위한 새로운 방향성을 제시했습니다.
