论文
RECALL：通过恢复经验收集实现VLA主动持续学习
RECALL: Recovery Experience Collection for Active Lifelong Learning in Vision-Language-Action Models
摘要
视觉语言动作模型通常通过被动模仿学习微调：在策略表现不佳的任务上收集更多示范。这要求先发生失败，无法明确指出哪些状态需要监督，也会把示范者精力浪费在已能完成的任务片段上。本文提出VLA主动持续学习方案，发现基于不确定性的数据收集比被动收集示范带来更高效的微调，但仅使用主动收集的恢复数据又会引起灾难性遗忘。研究评估基于回放的数据混合与弹性权重巩固等持续学习方法，分析适应恢复数据和保留此前行为之间的取舍。结果显示，不确定性引导的恢复示范可提高自回归VLA的适配效率，同时揭示定向新增数据接入大型机器人策略时的持续学习问题。