用于部署后物理 AI 的连续现场自适应模型 (CFAM)

无人值守的交互式自主——机器代替人类进入危险并使用人类工具完成任务——仍然是关键任务操作中缺失的能力。这些领域提供稀缺的训练数据和仅机载计算，但部署的系统必须面对新颖性，而又不消除先前的能力。我们引入了持续现场自适应模型 (CFAM)，它可以在实验室中高效学习，并在部署后通过自主、无梯度、设备上更新继续学习。 CFAM 使用互补的学习架构，其中包含冻结的慢速学习组件和快速学习的 Capsule Field。慢速组件包含三个皮质： 传感器，将多模态输入映射到基于 3D 的几何结构；推理，将任务分解为技能并评估结果；以及执行几何技能的动作。胶囊字段将一次性且无梯度的字段学习存储为能力胶囊。技能安装在实验室中进行几次，在现场持续进行；开放世界的新颖性超出了范围。我们评估了五个实施例的 CFAM：机械手、四足动物、人形机器人、四旋翼飞行器和越野车。基线（pi0、CogACT、SpatialVLA）使用相同的内部多实施数据集进行物理平台比较。 CFAM 使用 40% 的数据（即减少 2.5 倍的轨迹）在完整的先前训练数据集上训练，达到了标准策略的操作点。在测试时，自动捕获经过验证的近 OOD 案例将行动成功率提高了 13.9 个百分点。在顺序仿真中，向后传输为 -0.5 个百分点，而 LoRA 为 -11.4 个百分点。因此，CFAM 提供了一种有限形式的部署后物理智能：少量技能学习、来自经过验证的近 OOD 经验的自主领域增长以及保留先前的能力。