利用在线元学习适配器实现预训练机器人策略的高效持续适应
机器人学
2025-03-28 v2 人工智能
摘要
持续适应对于通用自主智能体至关重要。例如，预训练了多种技能的家庭机器人仍必须适应每个家庭特有的未见任务。受此启发，基于语言模型中的参数高效微调，先前的工作探索了使用轻量级适配器来适应预训练策略，这能够保留预训练阶段学习到的特征并展现出良好的适应性能。然而，这些方法将任务学习分开处理，限制了任务之间的知识迁移。在本文中，我们提出了在线元学习适配器。OMLA 不是直接应用适配器，而是通过一种新颖的元学习目标，促进从先前学习的任务向当前学习任务的知识迁移。在模拟和真实环境中的大量实验表明，与基线方法相比，OMLA 能够带来更好的适应性能。项目链接：https://ricky-zhu.github.io/OMLA/。
引用
@article{arxiv.2503.18684,
title = {Efficient Continual Adaptation of Pretrained Robotic Policy with Online Meta-Learned Adapters},
author = {Ruiqi Zhu and Endong Sun and Guanhe Huang and Oya Celiktutan},
journal= {arXiv preprint arXiv:2503.18684},
year = {2025}
}
备注
Project link: https://ricky-zhu.github.io/OMLA/