面向自主机器人的持续学习：一种基于原型的方法

人类和动物在其一生中从有限量的感知数据中学习，包括有监督和无监督的学习。未来的自主智能机器人通常被期望也能做到这一点。现有的持续学习（CL）方法通常不能直接应用于机器人场景：它们通常需要缓冲和平衡重放训练数据。少样本在线持续学习（FS-OCL）设定被提出以应对更现实的场景，即机器人必须从非重复的稀疏数据流中学习。为了实现真正的自主终身学习，还需要解决检测新事物并在无监督下学习新项目的额外挑战。我们用一种新的基于原型的方法来解决这一挑战，称为持续学习原型（CLP）。除了具备 FS-OCL 学习能力外，CLP 还能检测新物体并在无监督下学习它们。为了缓解遗忘，CLP 利用一种新的元可塑性机制，为每个原型单独调整学习率。CLP 无需重放，因此不需要内存缓冲区，并且与具有超低功耗、实时处理能力和片上学习特点的神经形态硬件兼容。实际上，我们已经在神经形态软件框架 Lava 中开源了 CLP 的一个简单版本，目标是 Intel 的神经形态芯片 Loihi 2。我们在机器人视觉数据集 OpenLORIS 上评估了 CLP。在低样本 FS-OCL 场景中，CLP 展示了 SOTA 的结果。在开放世界中，CLP 以卓越的精度和召回率检测新事物，并在无监督下学习检测到的新类别的特征，实现了 99% 基类和 65%/76%（5-shot/10-shot）新类准确率的强劲基线。