遗忘与迁移在持续视觉里程计中的实证影响

随着机器人技术的不断进步，对自适应和持续学习的具身智能体的需求日益增加，特别是在辅助机器人领域。快速适应能力和长期信息保留对于在人类日常生活的典型动态环境中运行至关重要。因此需要一种终身学习范式，但当前的机器人文献很少涉及这一点。本研究实证调查了在具身环境中持续训练的神经网络中灾难性遗忘的影响和知识迁移的有效性。我们关注视觉里程计任务，该任务对于具身智能体实现自定位具有首要重要性。我们在室内位置之间离散转换的简单持续场景中进行了实验，类似于机器人在不同公寓中导航。在这种机制下，我们观察到初始令人满意的性能以及环境之间的高可迁移性，随后是一个专门化阶段，在该阶段模型优先考虑当前特定环境的知识而牺牲了泛化能力。传统的正则化策略和增加模型容量在缓解这一现象方面证明是无效的。排练法反而有轻微的益处，但增加了大量的内存成本。结合在具身环境中通常所做的动作信息，促进了更快的收敛，但加剧了专门化，使模型过度依赖其运动预期，而在正确解释视觉线索方面变得不那么熟练。这些发现强调了在终身机器人技术中平衡适应和记忆保留的开放挑战，并为终身范式在具身智能体上的应用提供了有价值的见解。