DRAP：物理AI连续学习中的动态风险自适应可塑性方法

Oswaldo Ludwig提出DRAP方法，解决物理AI连续学习中策略误差累积导致任务失败的问题。该方法通过估计模型张量的历史重要性，使用风险加权的平方梯度累积和归一化累积重要性来调整学习率，减少在动态敏感轨迹点上组件的可塑性。在OpenVLA子网络和LIBERO测试集上的实验表明，DRAP相比标准AdamW微调和EWC方法，显著保留了已学习行为并保持了新任务获取能力。