DRAP 论文提出无回放持续学习方法，提升物理 AI 记忆保持
Oswaldo Ludwig · hf · 2026-11-05
Oswaldol Ludwig 发布论文《DRAP: Dynamics-Risk Adaptive Plasticity for Continual Learning in Physical AI》,针对物理 AI(机器人)持续学习中误差沿轨迹累积、易致闭环任务失败的问题，提出免回放(replay-free)方法 DRAP。
核心做法：基于样本级梯度与局部动作放大风险(local amplification risk)加权，估计可适配张量的历史重要性；用岭正则化局部线性模型拟合专家状态-动作转移，以其最大奇异值作为一步扰动放大的 Lyapunov 式风险估计；每次任务后把风险加权梯度累积到张量级重要性记忆，并用归一化累积重要性缩放各张量的有效 AdamW 学习率，在动力学敏感的轨迹区域主动降低关键组件可塑性。
该方法不惩罚相对旧 checkpoint 的参数位移，而是用历史重要性直接调节未来可塑性，从新任务第一次更新起即生效；论文在 OpenVLA 的 KappaTune 固定子网络上实例化并评估，在不牺牲新任务学习的前提下增强旧行为保持。
「具身」频道最新
- Waymo 宣布 2028 年 1 月起终结与 Uber 独家合作,自营 App 接客 — emmanuelvivier · 2026-11-05
- 受够了屏幕和笨重头显,极客自制「电脑帽子」 — aaraalto · 2026-11-05
- Jetson AGX Thor 上的本地 AI 原型 Evopien:对话、视觉监控与语音打断演示 — SoftKill21 · 2026-11-05
- DJI 发布 Matrice 5T：1K 热成像+激光雷达，59 分钟续航 — davidpattersonx · 2026-11-05
- 机器人行业该做「最后进入者」：让别人烧钱研发再收割垄断利润 — StewartalsopIII · 2026-11-05
- 2023 年做的 AI 收音机原型走红:ReAct + GPT-4 配旋钮,致敬 Dieter Rams — dee_hw · 2026-11-05