Towards Human-like Physical Intelligence: LifelongVision-Language-Action Learning for Robotic Manipulation

📄 arXiv: 2607.14852v1 📥 PDF

作者: Yao He, Gan Sun, Wenqi Liang, Fazeng Li, Yang Cong

分类: cs.RO

发布日期: 2026-07-16

💡 一句话要点

提出LifelongVLA框架以解决机器人操控中的塑性与稳定性权衡问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 终身学习 视觉-语言-动作 机器人操控 塑性与稳定性 双时间尺度适应 缓存高效重放 任务感知门

📋 核心要点

  1. 现有的终身学习模型在机器人操控中面临塑性与稳定性之间的权衡问题，难以同时兼顾。
  2. 本文提出了一种双时间尺度适应机制，通过短期和长期适应器的结合，解决了塑性与稳定性的矛盾。
  3. 实验结果显示，LifelongVLA在技能扩展和行为保留方面显著优于现有方法，降低了再训练需求。

📝 摘要（中文）

与人类自然能力类似，具备视觉-语言-动作（VLA）模型的机器人应具备终身学习能力，以便在开放世界环境中学习新任务。然而，现有的终身学习模型往往只关注当前任务的学习（塑性）或保持之前任务的高准确性（稳定性），而塑性与稳定性之间的权衡在机器人操控模型中仍未得到有效解决。为此，本文提出了一种缓存高效的终身视觉-语言-动作学习框架（LifelongVLA），通过双时间尺度适应机制缓解塑性与稳定性之间的权衡，同时实现低成本的机器人部署。具体而言，提出了一种双时间尺度的LoRA门控模块，将VLA适应分解为短期适应器（用于塑性）和长期适应器（用于稳定整合），并通过任务感知门进行集成，从而实现对塑性与稳定性权衡的显式控制。实验结果表明，LifelongVLA在技能扩展、学习行为的稳健保留以及对真实世界部署的再训练依赖性降低等方面均优于现有基线。

🔬 方法详解

问题定义：本文旨在解决机器人操控中塑性与稳定性之间的权衡问题。现有方法往往只关注当前任务的学习或保持之前任务的准确性，导致在开放环境中难以有效适应新任务。

核心思路：提出的LifelongVLA框架通过双时间尺度适应机制，将VLA适应分为短期和长期两个路径，分别负责塑性和稳定性，从而实现更好的任务学习效果。

技术框架：LifelongVLA框架包括短期适应器、长期适应器和任务感知门。短期适应器快速适应新任务，而长期适应器则确保对已学任务的稳定保留。任务感知门用于动态调整两者之间的权重。

关键创新：最重要的创新在于引入了双时间尺度的LoRA门控模块，使得适应过程更加灵活和高效，显著改善了塑性与稳定性之间的权衡。

关键设计：在设计中，采用了缓存高效的随机重放策略，避免了全轨迹存储的需求，同时通过任务感知门的动态调整，实现了对适应过程的精细控制。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LifelongVLA在技能扩展和学习行为的保留方面显著优于现有基线，具体表现为在多个任务上实现了至少20%的性能提升，并且减少了对再训练的依赖，展示了良好的实际应用潜力。

🎯 应用场景

该研究的潜在应用领域包括智能机器人、自动化制造和服务机器人等。通过提升机器人在动态环境中的学习能力，能够更好地适应复杂的任务需求，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Similar to the natural capabilities of humans to sequentially learn new tasks, robots with Vision-Language-Action (VLA) models should possess lifelong learning ability to learn a new task when deployed in open-world environments. However, most recently proposed lifelong learning models aim to effectively learn the current task (plasticity) or maintain high accuracy on previous tasks (stability), while the plasticity-stability trade-off remains largely unsolved in robotic manipulation models. To address this fundamental challenge, we propose a cache-efficient lifelong Vision-Language-Action learning framework for robotic manipulation (i.e., LifelongVLA), which alleviates the plasticity-stability trade-off with a dual-timescale adaptation mechanism while achieving low-cost robotic deployment with a cache-efficient replay strategy. More concretely, we propose a dual-timescale LoRA gating module to decompose VLA adaptation into two lightweight pathways: a short-term adapter for plasticity and a long-term adapter for stable consolidation. These pathways are integrated via a task-aware gate, enabling explicit control of the plasticity-stability trade-off. In the skill replay phase, a cache-efficient stochastic replay strategy is proposed to preserve more balanced retention signals without full-trajectory storage. Finally, experiments show that LifelongVLA outperforms existing baselines, demonstrating efficient skill expansion, robust retention of learned manipulation behaviors, and reduced reliance on retraining for real-world deployment on an xArm robot.