移动自主系统中生命周期感知的联邦持续学习

联邦持续学习（FCL）使分布式自主车队能在长任务周期中协同适应演变的地形。针对现有方法忽略层敏感性、未解决累积漂移及依赖理想仿真等挑战，本文提出生命周期感知的双时间尺度 FCL 框架。该框架结合训练时防遗忘与事后恢复机制，设计了分层选择性排练策略以缓解即时遗忘，并引入快速知识恢复策略以修复长期漂移导致的模型退化。理论与实验表明，该方法显著优于现有基线，并在真实漫游车测试中验证了鲁棒性。