终身具身导航学习

大语言模型驱动的具身导航代理在单一任务表现优异，但难以持续获取新技能且易受灾难性遗忘影响。本文将该挑战形式化为终身具身导航学习（LENL），要求代理适应多场景及多样指令风格的任务序列，同时保留既有知识。为此，我们提出 Uni-Walker 框架，利用解码器扩展 LoRA 将导航知识解耦为共享与特定组件。通过知识继承与专家共激活策略促进共享知识迁移，结合专家子空间正交约束及导航专用思维链机制捕捉特定知识并增强指令理解。实验证明该方法在构建具有终身学习能力的通用导航代理方面具有显著优势。