arXiv cs.AI· Fanqi Yu, Matteo Tiezzi, Cigdem Beyan, Tommaso Apicella, Vittorio Murino·· 12 小时前AI 评分31
HIDRA：面向无回放终身模仿学习的分层双路由注意力机制
HIDRA: Hierarchical Dual-Routing Attention for Replay-Free Lifelong Imitation Learning
AI 导读
HIDRA 提出分层双注意力路由框架，将指令级专家检索与上下文相关细化解耦，缓解无回放单遍终身模仿学习中的路由干扰问题。该方法引入 key 级几何正则化，在任务内对齐、任务间分离，以稳定表征漂移下的路由。在 LIBERO 多个基准（含异构任务序列与改写语言指令变体）上，HIDRA 的 AUC 与前向迁移均优于无回放和有回放基线，且保持低遗忘。
正文 · AI 翻译
摘要：在真实环境中运行的机器人智能体必须从多模态演示流中持续适应，且往往受到无法存储或回访历史数据的限制。在这种无回放、单遍的终身模仿学习设定下，顺序更新会逐步扭曲表示空间，使基于专家的方法对路由干扰尤为敏感，导致专家选择随时间退化。我们提出 HIDRA，一个结构化路由框架，通过分层双注意力机制缓解该问题，将指令级专家检索与上下文相关细化解耦。为进一步在表示漂移下稳定路由，HIDRA 引入键级几何正则化，同时强制任务内对齐与任务间分离。由此得到的方法能够实现可靠的专家选择，同时支持可扩展的专家集合以持续适应。我们在多个 LIBERO 基准套件上评估 HIDRA，包括具有异构任务序列和改写语言指令的更具挑战性的变体。我们的方法始终优于无回放和基于回放的基线，在保持低遗忘的同时提升 AUC 和前向迁移，在高干扰和语言变化下增益更强。代码见：此 https URL。
| 评论： | 这是作者的预印本，已被 NeurIPS 2026 会议接收。最终版本见 NeurIPS 2026 论文集 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.36374 [cs.RO] |
| （或 arXiv:2610.36374v1 [cs.RO] 为本版本） | |
| https://doi.org/10.48550/arXiv.2610.36374 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Cigdem Beyan [查看邮箱]
[v1]
2026年10月26日星期一 22:43:30 UTC（973 KB）
来源：arXiv cs.AI · arxiv.org