小而行大：原始提示学习在终身机器人操作中的应用

构建能够有效利用先前知识进行持续技能获取的终身机器人仍存在诸多挑战。尽管经验回放和参数高效方法在缓解灾难性遗忘问题方面取得了成功，但直接应用于这些方法会导致无法利用技能之间的共享原始要素。为此，我们提出了原始提示学习 (Primitive Prompt Learning, PPL)，以实现基于可重用且可扩展原始要素的终身机器人操作。在我们的两阶段学习方案中，首先通过多技能预训练阶段学习一组代表共享原始要素的原始提示，其中学习运动感知提示以捕获跨不同技能的语义与运动共享原始要素。随后，在终身学习期间获取新技能时，将新的提示追加并在冻结预训练提示的前提下进行优化，通过知识迁移从旧技能到新技能实现提升。为进行评估，我们构建了大型技能数据集，并在仿真和真实世界任务中进行了广泛实验，表明 PPL 在状态方法上表现优异。