LiMoDE：从动态专家混合视角重新思考终身机器人操作

构建能利用先验知识进行持续任务适应的通用机器人仍具挑战。现有工作虽缓解灾难性遗忘，却难以提取可重用技能并建模其交互。本文提出 LiMoDE，一种基于动态专家混合（MoE）架构的两阶段终身学习方案。首先在多任务预训练阶段，根据运动信息激活不同数量的异构专家以处理短期操作；随后在任务适应阶段，设计终身 MoE 适应机制，动态组合新学专家与冻结专家以促进知识迁移。实验证明该方法在增加适度参数和推理开销下，实现了卓越的终身适应能力。