LiMoDE：从动态专家混合视角重新思考终身机器人操作

构建一个能利用先验知识进行持续任务适应的通才机器人仍是一项重大挑战。先前工作通过参数高效微调进行单任务适配以缓解灾难性遗忘问题。然而，它们未能有效抽取可复用技能并建模与其他技能的交互。近期工作试图通过学习提示解决这些问题。不同地，本文从体系结构视角提出终身动态专家混合（LiMoDE），一种用于终身机器人操作的新型两阶段学习方案。具体而言，在多任务预训练阶段首先提出动态MoE结构以学习先验知识，其中基于运动信息激活数量可变的异质专家以应对不同短期操作。随后，在任务适配阶段，我们设计终身MoE适配机制（LiMoEAM），学习终身专家并将其与冻结专家动态组合用于新任务，促进适配过程中的知识迁移。所提LiMoDE在模拟终身学习基准与真实世界任务上均进行了评估。大量实验证明其通过引入适量额外可训练参数与推理开销，在实现优越性能与强终身适配上的有效性。