KOPPA: Improving Prompt-based Continual Learning with Key-Query Orthogonal Projection and Prototype-based One-Versus-All
VinAI Research（VinAI研究院）；Hanoi University of Science and Technology（河内科学技术大学）；Monash University（莫纳什大学）；New York University（纽约大学）
本文提出KOPPA方法，通过正交投影键-查询学习和OVA原型组件改进基于提示的持续学习，在基准数据集上超越现有方法达20%。
2024-11-20 cs.CV cs.LG
Continual Learning of Conjugated Visual Representations through Higher-order Motion Flows
University of Florence（佛罗伦萨大学）；Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）；University of Siena（锡耶纳大学）
针对连续视觉流非独立同分布带来的持续学习挑战，提出基于自主学习多阶运动流的运动共轭特征表示方法，通过空间感知自监督对比损失避免平凡解，在合成与真实视频任务上性能优于现有无监督及预训练模型。
2024-09-16 cs.CV cs.LG
Temporal Continual Learning with Prior Compensation for Human Motion Prediction
Sun Yat-sen University（中山大学）；Dongguan University of Technology（东莞理工大学）
本文提出时间持续学习框架TCL和先验补偿因子PCF，通过多阶段训练补偿历史预测先验信息，缓解长短时预测冲突，并在四个HMP基准上验证了其有效性与即插即用灵活性。
2025-07-05 cs.AI cs.CV
Adapt Your Teacher: Improving Knowledge Distillation for Exemplar-free Continual Learning
Warsaw University of Technology（华沙理工大学）；IDEAS NCBR；Jagiellonian University（雅盖隆大学）；Gdańsk University of Technology（格但斯克理工大学）；Autonomous University of Barcelona（巴塞罗那自治大学）；Computer Vision Center（计算机视觉中心）；Tooploox
针对无样本类别增量学习中知识蒸馏因教师网络表征偏移导致性能下降的问题，提出同步更新教师与主模型的教师自适应方法，可无缝集成于现有基于KD的CIL方法，在多个基准上实现性能提升。
2023-11-04 cs.AI cs.CV cs.LG
IAP: Improving Continual Learning of Vision-Language Models via Instance-Aware Prompting
Zhejiang University（浙江大学）；Fudan University（复旦大学）
本文针对多域任务增量学习中提示设计优化问题，提出实例感知提示框架，通过实例级门控提示和类分布驱动提示提升新任务适应能力并缓解遗忘。
2025-07-04 cs.CV
BM-CL: Bias Mitigation through the lens of Continual Learning
Research Institute for Signals, Systems and Computational Intelligence, sinc(i), CONICET - Universidad Nacional del Litoral（信号、系统与计算智能研究所以及CONICET - 国家沿海大学）；AI Development and Evaluation (AIDE) Lab, Stanford University（人工智能发展与评估实验室，斯坦福大学）；Institute of Computer Sciences (ICC), CONICET - Universidad de Buenos Aires（计算机科学研究所（ICC），CONICET - 阿根廷布宜诺斯艾利斯大学）
针对传统偏差缓解技术易出现降水平效应的问题，提出BM-CL框架，将偏差缓解转化为持续学习问题，在多数据集上验证其可兼顾公平性与原有性能，打通两领域研究。
2025-09-01 cs.CV cs.LG
Discriminative Distillation to Reduce Class Confusion in Continual Learning
Sun Yat-sen University（中山大学）；Key Laboratory of Machine Intelligence and Advanced Computing, MOE（机器智能与先进计算教育部重点实验室）
成功的持续学习新知识将使智能系统能够识别越来越多的对象类别。然而，当前的智能系统在更新以学习新类时通常不能正确地识别先前学习的对象类。人们普遍认为，这种降级的表现完全是由于对以前学过的知识的灾难性遗忘。在这项研究中，我们认为，类混淆现象也可能发挥作用，在降级的分类性能在持续学习，即，新类和任何先前学习的类之间的高度相似性也会导致分类器在识别这些旧类时出错，即使这些旧类的知识没有被遗忘。为了缓解类别混淆问题，我们提出了一种区分蒸馏策略，以帮助分类器在持续学习过程中更好地学习混淆类别之间的区分特征。在多个自然图像分类任务上的实验支持所提出的蒸馏策略，当与现有方法相结合时，在进一步改进持续学习方面是有效的。
2021-08-11 cs.CV
Online Continual Learning on Class Incremental Blurry Task Configuration with Anytime Inference
GIST（光州科学技术院）；NAVER AI Lab（NAVER人工智能实验室）；Upstage AI Research（Upstage人工智能研究院）；Yonsei University（延世大学）
尽管在持续学习方面取得了快速的进步，但大量的研究都致力于提高现有设置的性能。虽然少数工作确实提出了新的持续学习设置，但它们在某些方面仍然缺乏实用性。为了更好的实用性，我们首先提出了一种新的持续学习设置，是在线的，无任务，类增量，模糊的任务边界，并在任何时候受到推理查询。此外，我们提出了一个新的度量，以更好地衡量性能的持续学习方法的推理查询在任何时候。为了解决具有挑战性的设置和评估协议，我们提出了一种有效的方法，采用了新的存储管理计划和新的学习技术。我们的实证验证表明，所提出的方法优于现有技术的大利润率。代码和数据分割可在https://github.com/naver-ai/i-Blurry上获得。
2022-03-21 cs.CV cs.LG
Online Continual Learning with Natural Distribution Shifts: An Empirical Study with Visual Data
Intel Labs（英特尔实验室）
持续学习是在多个任务和环境中通过时间学习和保留知识的问题。研究主要集中在增量分类设置，其中新的任务/类以离散的时间间隔添加。这种“离线”设置不会评估代理有效和高效学习的能力，因为代理可以在添加任务时执行多个学习时期而没有任何时间限制。我们认为，“在线”持续学习，其中数据是一个单一的连续流没有任务边界，使评估信息保留和在线学习的功效。在在线持续学习中，每个传入的小批量数据首先用于测试，然后添加到训练集中，使问题真正在线。经过训练的模型随后会在历史数据上进行评估，以评估信息保留情况。我们介绍了一个新的基准在线持续视觉学习，表现出大规模和自然的分布偏移。通过大规模的分析，我们确定关键的和以前未观察到的现象，基于梯度的优化持续学习，并提出有效的策略，以改善基于梯度的在线持续学习与真实数据。源代码和数据集可在：https://github.com/IntelLabs/continuallearning。
2021-09-22 cs.CV cs.LG
Continual Alignment for SAM: Rethinking Foundation Models for Medical Image Segmentation in Continual Learning
Xi’an Jiaotong University（西安交通大学）；School of Information and Communications Engineering, Xi’an Jiaotong University（信息与通信工程学院）；School of Mathematics and Statistics, Xi’an Jiaotong University（数学与统计学学院）
CA-SAM通过引入对齐层，实现了在持续学习中高效适应医学图像分割，提升性能并减少计算开销。
2025-11-21 cs.CV
CD-NGP: A Fast Scalable Continual Representation for Dynamic Scenes
Dept. of Automation, Shanghai Jiao Tong University（自动化系，上海交通大学）
本文提出CD-NGP持续学习框架，通过参数重用和时空哈希编码实现动态场景的高效新视角合成，并构建长时长多视角视频数据集，显著降低内存与带宽需求。
2025-07-19 cs.CV
DARAD: Dual Adapters and Ranking-Aware Distillation for Continual Remote Sensing Image-Text Retrieval
针对持续遥感图像-文本检索中跨模态对齐空间失真的问题，提出双适配器与排序感知蒸馏框架DARAD，通过双分支设计与双向排序蒸馏实现新数据适应性与历史数据有效性的平衡，性能优于现有持续学习方法。
2026-08-07 cs.CV
Toward Understanding Catastrophic Forgetting in Continual Learning
Amazon Web Services（亚马逊云科技）；Facebook Inc.（脸书公司）
研究了灾难性遗忘与任务序列性质的关系。特别是，给定一个任务序列，我们希望了解该序列的哪些属性会影响在该序列上训练的持续学习算法的出错率。为此，我们提出了一个新的程序，利用任务空间建模以及相关性分析的最新发展，指定和分析我们感兴趣的属性。作为一个应用，我们应用我们的程序来研究任务序列的两个性质：（1）总复杂性和（2）序列异质性。我们发现，出错率是强烈的，正相关的任务序列的总复杂性的一些国家的最先进的算法。我们还发现，令人惊讶的是，出错率没有，甚至在某些情况下，顺序异质性的负相关性。我们的研究结果提出了改进持续学习基准和方法的方向。
2019-08-02 cs.CV cs.LG stat.ML
SMoLoRA: Exploring and Defying Dual Catastrophic Forgetting in Continual Visual Instruction Tuning
Hefei University of Technology（合肥工业大学）；Tsinghua University（清华大学）；Academy of Cyber（网络学院）
针对连续视觉指令微调中视觉理解与指令遵循双重灾难性遗忘问题，提出SMoLoRA框架，通过双路由模块实现领域专用适应，并构建新基准，有效缓解遗忘并提升泛化与鲁棒性。
2025-07-01 cs.AI cs.CV
Teach YOLO to Remember: A Self-Distillation Approach for Continual Object Detection
University of Padova（帕多瓦大学）
针对YOLO等单阶段无锚框检测器在持续目标检测中的灾难性遗忘问题，提出YOLO LwF自蒸馏方法，结合重放记忆显著缓解遗忘，在VOC和COCO基准上分别提升mAP +2.1%和+2.9%，达到最先进性能。
2025-03-06 cs.CV
Rehearsal-Free Continual Learning over Small Non-I.I.D. Batches
University of Bologna（博洛尼亚大学）
机器人视觉是一个持续学习可以发挥重要作用的领域。一个具体的代理人在一个复杂的环境中进行频繁和不可预测的变化，需要不断学习和适应。例如，在对象识别的背景下，机器人应该能够学习（而不会忘记）以前从未见过的类的对象，并在发现已知类的新实例时提高其识别能力。理想情况下，持续学习应该由单个对象的短视频的可用性触发，并在具有细粒度更新的板载硬件上在线执行。在本文中，我们介绍了一种新的持续学习协议的基础上的CORe 50基准，并提出了两个排练免费的持续学习技术，CWR* 和AR 1 *，可以有效地学习，即使在具有挑战性的情况下，近400个小的非i.i.d.增量批次。特别是，我们的实验表明，在某些情况下，AR1* 的准确率可以超过其他最先进的免排练技术15%以上，并且在训练批次中的计算和内存开销非常小且恒定。
2020-04-21 cs.CV cs.LG cs.NE
Class-Incremental Grouping Network for Continual Audio-Visual Learning
Carnegie Mellon University（卡内基梅隆大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对单模态持续学习无法学习跨模态表示的问题，提出类增量分组网络CIGN，通过音视频类标记和分组机制聚合特征并防止参数遗忘，实现了最先进的音视频类增量学习性能。
2023-09-11 cs.CV cs.LG cs.MM
CLARE: Scalable Class-Incremental Continual Learning via a Sparsity-Based Framework
The University of Hong Kong（香港大学）；Hong Kong Generative AI Research and Development Center（香港生成式人工智能研发中心）
本文提出稀疏驱动持续学习框架CLARE，通过两阶段稀疏掩码微调缓解任务间干扰，在Omnibenchmark-1k上显著提升最终准确率，实现可扩展的类增量学习。
2026-09-16 cs.CV cs.LG
Online Distillation with Continual Learning for Cyclic Domain Shifts
KAUST（阿卜杜拉国王科技大学）
本文针对在线蒸馏在域偏移下的灾难性遗忘问题，将多种最先进持续学习方法融入师生在线蒸馏框架，并在循环域偏移场景验证其可提升鲁棒性与准确率。
2023-04-03 cs.CV cs.LG
Summarizing Stream Data for Memory-Constrained Online Continual Learning
Zhejiang University（浙江大学）；National University of Singapore（新加坡国立大学）
本文提出SSD方法，通过蒸馏真实图像训练特征并保持训练梯度与过去任务一致性，将流数据知识摘要为高信息量样本，在受限存储下显著提升在线持续学习的重放效果。
2024-01-09 cs.CV
Continual Visual Anomaly Detection on the Edge: Benchmark and Efficient Solutions
University of Padova（帕多瓦大学）
本文提出边缘持续视觉异常检测的首个全面基准测试，评估了七种模型在三种轻量级架构上的表现，并提出Tiny-Dinomaly模型在内存和计算成本上显著降低的同时提升Pixel F1指标。
2026-08-11 cs.AI cs.CV
Reasoning Portability: Guiding Continual Learning for MLLMs in the RLVR Era
Shenzhen Graduate School of Peking University（北京大学深圳研究生院）；Centre for Artificial Intelligence and Robotics, HKISI, CAS（香港科学院人工智能与机器人研究中心）；Peng Cheng Laboratory（鹏城实验室）
本文提出了一种名为推理可移植性（RP）的机制，通过在持续学习中引入推理层面的约束，改进了多模态大语言模型在RLVR环境下的适应能力，实验表明RDB-CL在提升最后准确率方面优于基线方法。
2026-05-17 cs.CV cs.LG
Energy-Aware Spike Budgeting for Continual Learning in Spiking Neural Networks for Neuromorphic Vision
Dept. of Electrical and Electronics Engineering, University of Liberal Arts Bangladesh（乌拉尔大学 bangladesh 电子与电气工程系）；Dept. of Electrical Engineering, Pennsylvania State University（宾夕法尼亚州立大学电气工程系）
提出一种面向神经形态视觉的节能脉冲预算持续学习框架，通过整合经验回放、可学习神经元参数和自适应调度器，在帧型和事件型数据集上分别提升准确率并降低能耗。
2026-03-10 cs.AI cs.CV cs.NE
STAR: Stability-Inducing Weight Perturbation for Continual Learning
Northeastern University（东北大学）；Google Cloud AI Research（谷歌云人工智能研究）
本文提出一种新型损失函数STAR，利用最坏情况参数扰动降低模型预测与局部邻域的KL散度以增强稳定性并缓解灾难性遗忘，可作为即插即用组件提升现有持续学习方法性能达15%。
2025-03-03 cs.AI cs.CV cs.LG
Continual Learning from Synthetic Data for a Humanoid Exercise Robot
University of Hamburg（汉堡大学）
为了检测和纠正身体锻炼，一个生长时需要的网络（GWR）与经常性的连接，情景记忆和一个新的子节点机制，以学习身体动作和姿势的时空关系。一旦执行了锻炼，每帧的姿势和移动的信息就存储在GWR中。对于每一帧，将当前姿势和运动对与GWR的预测输出进行比较，从而不仅允许关于姿势而且允许关于运动速度的反馈。在一个实际的场景中，一个身体锻炼是由一个像物理治疗师这样的专家来完成的，然后作为一个像Pepper这样的人形机器人的参考，对病人执行相同锻炼的情况给出反馈。然而，这种方法带来了两个挑战。首先，GWR还必须考虑到与人形机器人的距离以及用户在人形机器人的摄像机视野中的位置，这需要针对用户在人形机器人的视野中的定位的鲁棒性。其次，由于姿势和动作都依赖于原始表演者的身体测量，因此专家的练习不能轻易用作参考。本文解决了第一个挑战，通过设计一个架构，允许公差的平移和旋转的视野中心。对于第二个挑战，我们允许GWR在增量数据上在线增长。为了进行评估，我们创建了一个带有虚拟化身的新型运动数据集，称为Virtual-Squat数据集。总的来说，我们声称，我们基于GWR的新架构可以通过持续的在线学习将学习到的锻炼参考用于不同的身体变化，同时防止灾难性遗忘，从而实现与人形机器人的长期人机交互。
2021-02-19 cs.AI cs.RO
Integrating Curricula with Replays: Its Effects on Continual Learning
Hwa Chong Institution（华侨中学）；Agency for Science, Technology, and Research（新加坡科技研究局）；Nanyang Technological University（南洋理工大学）
本研究受人类课程式学习行为启发，探索课程与重放方法整合对持续学习的影响，从交错频率、重放顺序、样例选择策略三方面设计课程，有效缓解灾难性遗忘并增强正向知识迁移。
2023-07-25 cs.AI cs.CV cs.LG
Gimbal-Based Human Tracking for Companion Robots Using Continual Learning
National Cheng Kung University (NCKU)（成功大学）
该研究针对陪伴机器人的人体跟踪问题，提出基于云台摄像头的方法并结合持续学习的ReID策略，提升了跟踪稳定性与连续性，无需可穿戴标签且支持实时重识别。
2026-09-17 cs.RO cs.SY eess.SY
Towards Improved Imbalance Robustness in Continual Multi-Label Learning with Dual Output Spiking Architecture (DOSA)
Indian Institute of Science（印度科学学院）；Loughborough University（拉夫堡大学）
本文提出双输出脉冲架构（DOSA）及失衡感知损失函数，用于任务无关的持续多标签学习，在多个基准数据集上优于先前最先进算法CIFDM，提升了不平衡鲁棒性。
2024-02-07 cs.AI cs.CV cs.LG
Domain-Aware Continual Zero-Shot Learning
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
针对现实视觉任务中环境变化导致的图像域偏移问题，提出领域感知持续零样本学习任务与领域不变网络，通过双分支架构加类别可学习提示实现未见类别识别，在两个新建基准上取得当前最优性能。
2024-03-12 cs.CV cs.LG
Task-Free Continual Learning via Online Discrepancy Distance Learning
University of York（约克大学）
从非平稳数据流中学习，也称为无任务持续学习（TFCL），由于缺乏明确的任务信息，仍然具有挑战性。虽然最近已经提出了一些方法，TFCL，他们缺乏理论保证。此外，在TFCL的遗忘分析，以前没有从理论上研究。本文提出了一种新的理论分析框架，该框架基于访问样本与可用于训练模型的全部信息之间的差异距离提供泛化界限。这种分析为分类任务中的遗忘行为提供了新的见解。受此理论模型的启发，我们提出了一种新的方法，即在线离散远程学习（ODDL）的混合模型的动态组件扩展机制。ODDL估计当前存储器缓冲区的概率表示与已经积累的知识之间的差异，并将其用作扩展信号，以确保具有最佳性能的紧凑网络架构。然后，我们提出了一种新的样本选择方法，选择性地存储到内存缓冲区中的最相关的样本，通过基于差异的措施，进一步提高性能。我们进行了几个TFCL实验与所提出的方法，这表明，所提出的方法达到了最先进的性能。
2022-10-12 cs.CV cs.LG
DEJA VU: Continual Model Generalization For Unseen Domains
Northwestern University（西北大学）；Sony AI（索尼人工智能）
在现实世界的应用中，深度学习模型通常在目标数据分布随时间不断变化的非平稳环境中运行。为了提高跨领域自适应能力，在线和离线模式下已经出现了许多领域自适应（DA）方法。然而，这些DA方法通常仅在长时间的适应之后提供良好的性能，并且在适应之前和适应期间在新领域上表现不佳-在我们称之为“陌生时期”，特别是当领域转移突然发生时。另一方面，领域泛化（DG）方法被提出来提高模型在不适应领域的泛化能力。然而，现有的DG作品是无效的不断变化的领域，由于严重的灾难性遗忘的学习知识。为了克服这些局限性的DA和DG在处理不熟悉的时期，在不断的领域转移，我们提出了RaTP，一个框架，重点是提高模型的目标领域泛化（TDG）的能力，同时也实现了有效的目标领域自适应（TDA）的能力后，在某些领域的训练和遗忘缓解（FA）的能力在过去的领域。RaTP包括一个免训练的数据增强模块，为TDG准备数据，一个新的伪标记机制，为TDA提供可靠的监督，和一个原型对比对齐算法，以对齐不同的域，实现TDG，TDA和FA。在Digits、PACS和DomainNet上进行的大量实验表明，RaTP在TDG中的性能明显优于Continual DA、Source-Free DA、Test-Time/Online DA、Single DG、Multiple DG和Unified DA&DG，并实现了相当的TDA和FA功能。
2023-03-10 cs.AI cs.CV cs.LG
Two Complementary Perspectives to Continual Learning: Ask Not Only What to Optimize, But Also How
KU Leuven（鲁汶大学）
该研究指出持续学习现有方法即便完美近似联合损失仍存在暂时遗忘问题，提出应同时关注优化目标与优化轨迹且二者互补，虽初步结合实验未获一致收益，但为该领域开辟了新研究方向。
2024-06-21 cs.AI cs.CV cs.LG
Adapt before Continual Learning
本文提出ACL框架，在持续学习前通过优化预训练模型主干以平衡稳定性与可塑性，提升持续学习性能。
2026-02-11 cs.CV cs.LG
Make Continual Learning Stronger via C-Flat
Tsinghua University（清华大学）；Zhejiang University（浙江大学）；Sichuan University（四川大学）；ByteDance（字节跳动）；Xi’an Jiaotong University（西安交通大学）；Carnegie Mellon University（卡内基梅隆大学）；DAMO Academy, Alibaba Group（阿里巴巴达摩院）
针对持续学习的敏感性-稳定性困境，提出即插即用的C-Flat方法，通过构建更平坦的损失景观提升模型泛化能力，适用于各类持续学习场景且性能普遍优于现有方法。
2024-11-01 cs.CV cs.LG
PANDA -- Patch And Distribution-Aware Augmentation for Long-Tailed Exemplar-Free Continual Learning
PANDA通过补丁与分布感知增强方法，解决无示例持续学习中的任务间不平衡问题，提升学习效果和泛化能力。
2025-12-13 cs.CV eess.IV
Memory Efficient Continual Learning for Edge-Based Visual Anomaly Detection
University of Padova（帕多瓦大学）
针对边缘设备资源受限及数据动态变化挑战，研究视觉异常检测的持续学习问题，发现PaSTe方法结合Compressed Replay技术在提升检测性能的同时大幅降低内存开销。
2025-03-04 cs.AI cs.CV
Continual Adapter Tuning with Semantic Shift Compensation for Class-Incremental Learning
HUST AI & Visual Learning Lab (HAIV Lab)（华中科技大学人工智能与视觉学习实验室）；Huazhong University of Science and Technology (HUST)（华中科技大学）；Department of Computer Science（计算机科学系）；Boston University（波士顿大学）；ByteDance, Inc.（字节跳动公司）
本文提出一种持续适配器微调方法，通过增量微调共享适配器并利用原型特征采样重训分类器，结合无样本的旧原型语义偏移估计与更新，在避免模型扩展和图像存储的同时实现了SOTA的类增量学习性能。
2025-10-10 cs.AI cs.CV cs.LG
Continual Learning: Forget-free Winning Subnetworks for Video Representations
School of Electrical Engineering, KAIST（韩国科学技术院电气工程学院）；School of Computing, KAIST（韩国科学技术院计算机学院）
受彩票假说启发，本文提出将中奖子网络（WSN）及傅里叶子神经算子（FSO）应用于多种持续学习场景，通过稀疏重用预存权重和紧凑编码视频，有效防止过拟合并显著提升各卷积层的任务性能。
2024-12-19 cs.AI cs.CV cs.LG
Vocal Sandbox: Continual Learning and Adaptation for Situated Human-Robot Collaboration
Stanford University（斯坦福大学）
提出Vocal Sandbox框架，通过多模态教学和轻量级学习算法实现情境化人机协作的持续学习，在礼品袋组装和定格动画任务中显著提升性能并减少监督。
2024-11-04 cs.AI cs.CL cs.HC
DECODE: Domain-aware Continual Domain Expansion for Motion Prediction
Department of Civil and Environmental Engineering, University of Michigan（密歇根大学土木与环境工程系）
DECODE提出一种持续学习框架，通过预训练模型逐步扩展领域专用模型，结合超网络和流机制实现高效模型选择与不确定性估计，有效降低遗忘率并提升预测精度。
2026-05-16 cs.CV cs.RO
Improving Pedestrian Prediction Models with Self-Supervised Continual Learning
Delft University of Technology（代尔夫特理工大学）
自主移动机器人需要准确的人体运动预测，以安全有效地在行人中导航，行人的行为可能会适应环境的变化。本文介绍了一种自监督的持续学习框架，以不断改善数据驱动的行人预测模型在线跨各种场景。特别是，我们利用在线行人数据流（通常可从机器人的检测和跟踪管道中获得）来改进预测模型及其在未知场景中的性能。为了避免忘记以前学习的概念，一个被称为灾难性遗忘的问题，我们的框架包括一个正则化损失，以惩罚对以前的场景很重要的模型参数的变化，并重新训练一组以前的例子，以保留过去的知识。在真实数据和模拟数据上的实验结果表明，与在线天真地训练预测模型相比，我们的方法可以提高未知场景的预测性能，同时保留已知场景的知识。
2022-02-15 cs.RO
Extreme-RGMT: Continual Learning of Highly Dynamic Skills for Robust Generalist Humanoid Control
School of Automation, Beijing Institute of Technology（北京理工大学自动化学院）；Humanoid Robotics (Shanghai) Co., Ltd.（人形机器人（上海）有限公司）；School of Mechanical Engineering, Shandong University（山东大学机械工程学院）
研究针对类人机器人控制器通用与专业能力权衡问题，提出两阶段持续学习框架极端-RGMT。先学通用运动跟踪基础策略，再用特定机制约束策略漂移，结合两种采样方法解决数据问题，实现最优通用全身运动跟踪性能，推动控制器向人类专家水平发展。
2026-07-23 cs.RO
Continual Humanoid Motion Learning
New York University Abu Dhabi（纽约大学阿布扎比分校）；Fudan University（复旦大学）
针对人形全身运动控制器在持续学习新技能时遗忘旧技能的问题，提出相似性引导的LoRA-PNN策略，通过两级运动相似性度量分配容量，实现强前向迁移和高效率，节省94.5%参数，并在Unitree G1上部署。
2026-10-06 cs.RO
HumanoidTTT: Test-Time Capability Reuse for Efficient Humanoid Control
Peking University（北京大学）
针对人形机器人持续部署中运动能力重复请求的挑战，提出HumanoidTTT框架，通过选择性全身运动复用和测试时能力整合，实现零不安全接受和16.4倍加速，并自适应保留有用能力。
2026-10-02 cs.RO
Continuously Improving Mobile Manipulation with Autonomous Real-World RL
Carnegie Mellon University（卡内基梅隆大学）；AI Institute（人工智能研究院）
本文提出一种完全自主的真实世界强化学习框架，通过任务相关自主性、行为先验和通用奖励设计，使Spot机器人在四项移动操作任务上持续提升，平均成功率达80%，比现有方法提高3到4倍。
2024-09-30 cs.AI cs.CV cs.LG
Simple Recipe Works: Vision-Language-Action Models are Natural Continual Learners with Reinforcement Learning
University of Southern California（南加州大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of California, Berkeley（加州大学伯克利分校）
本文通过系统研究发现，对于大型预训练视觉-语言-动作模型，简单的顺序微调结合低秩适配在持续强化学习中表现出高可塑性、几乎无遗忘和强零样本泛化，优于复杂方法。
2026-07-14 cs.LG cs.RO
NEXUS: Learning Safety Constraints and Action Models for Safe and Robust Embodied Planning
School of Artificial Intelligence and Automation（人工智能与自动化学院）；Huazhong University of Science and Technology（华中科技大学）；School of Software（软件学院）；Henan University（河南大学）；Institute of Information Engineering（信息工程研究所）；Chinese Academy of Sciences（中国科学院）；School of Cyberspace Security（网络空间安全学院）；University of the Chinese Academy of Sciences（中国科学院大学）；Peking University（北京大学）
NEXUS通过模块化框架实现体素代理的连续学习，将符号 artifacts 用于符号 grounding 和知识演化，将概率风险评估转化为确定性硬约束，提升任务成功率并抵御对抗攻击。
2026-10-19 cs.AI cs.RO
