终身语言条件化机器人操作学习

传统语言条件化操作代理在顺序适应新技能时会导致对旧技能的灾难性遗忘，限制了动态场景的实际部署。本文提出 SkillsCrafter，一种旨在持续学习多种技能同时减少旧技能遗忘的新型机器人操作框架。具体而言，我们提出了操作技能适应机制，在保留旧技能知识的同时继承新旧技能间的共享知识以促进新技能学习。此外，通过对多样化技能指令进行奇异值分解，获取通用技能语义子空间投影矩阵，从而记录技能的本质语义空间。为实现低遗忘且具泛化能力的操作，我们提出技能专业化聚合方法，计算技能语义子空间内的技能间相似度，实现对任意新或未知技能的已学技能知识聚合。大量实验证明了该方法的有效性与优越性。