基于多模态潜在重放与增量调整的终身模仿学习
计算机视觉与模式识别
2026-03-13 v2 机器人学
摘要
我们引入一种终身模仿学习框架，使能够在真实的内存和数据约束下跨顺序任务持续细化策略。我们的方法不同于传统经验回放，完全在多模态潜在空间中运行，其中存储和重用的视觉、语言和机器人状态信息的紧凑表示以支持未来学习。为进一步稳定适应，我们引入一种增量特征调整机制，通过角度间隙约束来正则化任务嵌入的演化，保持任务间的区分性。我们的方法在LIBERO 基准上实现了新的最佳水平，AUC 获得10-17分提升，忘记率降低最高达65%。消融研究确认了每个组件的有效性，显示出持续优于备选策略的一致性提升。代码可在 https://github.com/yfqi/lifelong_mlr_ifa 查看。
引用
@article{arxiv.2603.10929,
title = {Lifelong Imitation Learning with Multimodal Latent Replay and Incremental Adjustment},
author = {Fanqi Yu and Matteo Tiezzi and Tommaso Apicella and Cigdem Beyan and Vittorio Murino},
journal= {arXiv preprint arXiv:2603.10929},
year = {2026}
}
备注
Accepted to CVPR 2026