arXiv · 机器人与计算机视觉· SeongJun Jeong, Chungwoo Lee, Gi-Cheon Kang, Byoung-Tak Zhang·· 2026-10-20AI 评分59
SARAM:面向终身机器人学习的稀疏适配器分配、复用与合并方法
SARAM: Sparse Adapter Allocation with Reuse and Merging for Lifelong Robot Learning
AI 导读
针对大模型 VLA 骨干在终身学习中的存储膨胀问题,本文提出 SARAM 框架。该方法在新任务中复用冻结的旧适配器,仅在稀疏层引入新适配器并施加复制惩罚;部署时通过激活统计生成签名识别任务并将更新合并回骨干网络,仅保留骨干参与控制循环。实验显示,SARAM 在四个 LIBERO 套件上表现优于或等于基线,每任务磁盘状态减少最多 4.5 倍,且 GPU 内存与推理频率随任务流增长保持稳定。
来源:arXiv · 机器人与计算机视觉 · arxiv.org