分析任务调度器：基于递归最小二乘法的具身基础模型持续学习方法
机器人学
2025-06-12 v1
摘要
具身基础模型对于通过整合多模态输入（如本体感觉、视觉和语言）来理解人类意图并生成控制机器人动作的人工智能 (AI) 与物理世界交互至关重要。虽然这些模型展示了强大的泛化能力和少样本学习能力，但它们在持续获取新技能而不遗忘先前已学技能方面面临重大挑战，这个问题被称为灾难性遗忘。为了解决这个问题，我们提出了分析任务调度器 (ATS)，这是一个用于具身基础模型持续学习的新框架。ATS 由一个任务特定模型库组成，其中每个模型在单个任务上独立微调，以及一个使用递归最小二乘法 (RLS) 训练的解析调度器，用于学习语言指令与任务特定模型之间的映射。该架构实现了精确的任务识别和动态模型选择，同时从根本上避免了任务间的参数干扰。调度器仅使用统计量（自相关和互相关矩阵）增量更新其参数，实现了无需重新访问历史数据的抗遗忘学习。我们在真实机器人平台 (RM65B) 上验证了 ATS，展示了优越的抗遗忘能力和对任务变化的强适应性。结果表明 ATS 是具身基础模型在复杂动态环境中持续学习的有效、可扩展和可部署的解决方案。我们的代码将在 https://github.com/MIAA-Embodied-AI/AnalyticTaskScheduler 上提供。
引用
@article{arxiv.2506.09623,
title = {Analytic Task Scheduler: Recursive Least Squares Based Method for Continual Learning in Embodied Foundation Models},
author = {Lipei Xie and Yingxin Li and Huiping Zhuang},
journal= {arXiv preprint arXiv:2506.09623},
year = {2025}
}