Continual Learning for Robots: A Survey
Continual Learning for Robots: A Survey（机器人持续学习综述）是由持续学习和机器人领域研究者系统整理的经典综述论文，是机器人持续学习领域最重要的综述之一。该论文系统地回顾了持续学习技术在机器人中的应用，包括持续学习的基本概念与分类（正则化方法、回放方法、参数隔离方法）、机器人持续学习的关键技术（EWC、SI、MAS、GEM、A-GEM、Replay Buffer、Progressive Networks、PackNet）、持续学习在机器人各个领域的应用（多任务操作学习、终身学习、跨场景适应、技能累积、在线学习）等多个方面。该论文详细分析了机器人持续学习的核心挑战，包括灾难性遗忘、任务边界检测、稳定性-可塑性权衡、高维连续状态空间的持续学习、实时性要求、计算资源限制、评估协议等，并讨论了持续学习在工业机器人、服务机器人、人形机器人、自动驾驶等领域的应用。持续学习是使机器人能够在不遗忘旧技能的情况下持续学习新技能的关键技术，能够实现终身学习、技能累积、跨场景适应，在需要长期部署和持续学习的机器人应用中具有核心地位。该论文被引用超过500次，是机器人持续学习领域的入门必读文献，对后续的持续强化学习、终身机器人学习、技能累积等研究产生了深远影响。
主体信息
Continual Learning for Robots: A Survey（机器人持续学习综述）是由持续学习和机器人领域研究者系统整理的经典综述论文，是机器人持续学习领域最重要的综述之一。该论文系统地回顾了持续学习技术在机器人中的应用，包括持续学习的基本概念与分类（正则化方法、回放方法、参数隔离方法）、机器人持续学习的关键技术（EWC、SI、MAS、GEM、A-GEM、Replay Buffer、Progressive Networks、PackNet）、持续学习在机器人各个领域的应用（多任务操作学习、终身学习、跨场景适应、技能累积、在线学习）等多个方面。该论文详细分析了机器人持续学习的核心挑战，包括灾难性遗忘、任务边界检测、稳定性-可塑性权衡、高维连续状态空间的持续学习、实时性要求、计算资源限制、评估协议等，并讨论了持续学习在工业机器人、服务机器人、人形机器人、自动驾驶等领域的应用。持续学习是使机器人能够在不遗忘旧技能的情况下持续学习新技能的关键技术，能够实现终身学习、技能累积、跨场景适应，在需要长期部署和持续学习的机器人应用中具有核心地位。该论文被引用超过500次，是机器人持续学习领域的入门必读文献，对后续的持续强化学习、终身机器人学习、技能累积等研究产生了深远影响。