DRAP论文提出机器人免回放持续学习方法

Oswaldo Ludwig发布论文《DRAP: Dynamics-Risk Adaptive Plasticity for Continual Learning in Physical AI》，提出面向物理AI的免回放持续学习方法DRAP。论文称，该方法通过历史重要性、风险加权梯度和岭正则化局部线性模型调节未来可塑性，可增强机器人对旧行为的保持，同时学习新任务。 DRAP不惩罚参数相对旧检查点的位移，而是从新任务首次更新起按历史重要性调整参数变化。论文在OpenVLA的KappaTune固定子网络上进行了实例化评估；上述效果属于论文报告的实验结论。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。