DRAE：面向机器人终身学习与任务适应的动态检索增强专家网络
机器人学
2025-12-24 v2
摘要
我们引入了动态检索增强专家网络（DRAE），这是一种开创性的架构，旨在解决终身学习、灾难性遗忘和任务适应的挑战，通过结合混合专家（MoE）的动态路由能力，利用检索增强生成（RAG）的知识增强能力，集成新型分层强化学习（RL）框架，并通过 ReflexNet-SchemaPlanner-HyperOptima（RSHO）进行协调。DRAE通过稀疏MoE门控机制动态路由专家模型，实现高效资源分配，同时通过参数化检索（P-RAG）从外部知识中获取增强学习过程。我们提出了新的RL框架，包含 ReflexNet 用于低层任务执行，SchemaPlanner 用于符号推理，以及 HyperOptima 用于长期上下文建模，确保持续的适应性和记忆保持。实验结果表明，DRAE在长期任务保持和知识重用方面显著优于基线方法，在一组动态机器人操作任务中实现了平均82.5%的任务成功率，而传统MoE模型为74.2%。此外，DRAE保持极低的遗忘率，在灾难性遗忘抑制方面优于最先进的方法。这些结果表明，我们的方法在实现机器人灵活、可扩展且高效的终身学习方面具有有效性。
引用
@article{arxiv.2507.04661,
title = {DRAE: Dynamic Retrieval-Augmented Expert Networks for Lifelong Learning and Task Adaptation in Robotics},
author = {Yayu Long and Kewei Chen and Long Jin and Mingsheng Shang},
journal= {arXiv preprint arXiv:2507.04661},
year = {2025}
}
备注
Accepted to the main conference of the Annual Meeting of the Association for Computational Linguistics (ACL 2025)