Continual Field-Adaptive Models (CFAMs) for Post-Deployment Physical AI

📄 arXiv: 2609.04552v1 📥 PDF

作者: Amarjot Singh, Tanmay R. Pancholi, Jainam Kothari, Shrirang Mahajan, Ketan Bansal, Zackory Erickson, Giuseppe Loianno, Alexandre M. Bayen, Jeff Schneider, Vince Nakayama

分类: cs.RO, cs.AI

发布日期: 2026-09-03

💡 一句话要点

提出持续场域自适应模型解决后部署物理AI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: 持续学习 场域自适应 无人值守自主性 物理AI 多模态输入 能力胶囊 机器人技术 任务执行

📋 核心要点

  1. 现有方法在关键任务操作中缺乏无人值守的交互自主性，无法有效应对新环境带来的挑战。
  2. CFAM通过互补学习架构实现了在实验室高效学习和部署后自主更新，解决了数据稀缺和新颖性问题。
  3. 实验结果表明，CFAM在使用40%数据的情况下达到了标准策略的性能，并在测试时提高了行动成功率13.9个百分点。

📝 摘要（中文）

无人值守的交互自主性——机器代替人类进入危险环境并使用人类工具完成任务——在关键任务操作中仍然是缺失的能力。这些领域提供稀缺的训练数据且仅有机载计算能力，但已部署的系统必须面对新颖性而不抹去先前的能力。我们提出持续场域自适应模型（CFAMs），该模型在实验室中高效学习，并通过自主、无梯度的设备内更新在部署后继续学习。CFAM使用互补学习架构，包含一个冻结的慢学习组件和一个快速学习的胶囊场。慢组件包含三个皮层：传感器、推理和动作，分别用于将多模态输入映射为3D几何、将任务分解为技能并评估结果，以及执行几何技能。胶囊场以单次和无梯度的方式存储场域学习为能力胶囊。技能安装在实验室中为少量样本，而在现场为持续性；开放世界的新颖性超出范围。我们在五种体现上评估CFAM，结果显示其在数据使用效率和任务成功率上均优于基线模型。

🔬 方法详解

问题定义：论文旨在解决在关键任务操作中，已部署系统面对新环境时的学习与适应能力不足的问题。现有方法往往无法有效利用稀缺的训练数据，且在新颖性场景中表现不佳。

核心思路：CFAM的核心思路是通过互补学习架构，结合慢学习和快学习的组件，实现高效的现场学习与适应。慢学习组件保持冻结状态，确保先前能力的保留，而快学习胶囊场则用于快速适应新环境。

技术框架：CFAM的整体架构包含三个主要模块：传感器模块负责将多模态输入映射为3D几何，推理模块将任务分解为技能并评估结果，动作模块则执行几何技能。胶囊场用于存储能力胶囊，实现无梯度的学习。

关键创新：CFAM的主要创新在于其结合了慢学习和快学习的互补机制，使得模型能够在保持先前能力的同时，快速适应新环境。这种设计与传统方法的逐步学习方式形成鲜明对比。

关键设计：CFAM在技能安装上采用少量样本学习，且在现场实现持续性学习。模型的训练过程中，使用了特定的损失函数和网络结构，以确保在新环境中的有效性和稳定性。具体的参数设置和网络结构细节在论文中进行了详细描述。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

CFAM在实验中显示出显著的性能提升，使用40%的数据达到了标准策略的性能，减少了2.5倍的轨迹需求。在测试阶段，CFAM通过自主捕获验证的近OOD案例，行动成功率提高了13.9个百分点。此外，在顺序模拟中，CFAM的反向迁移仅为-0.5个百分点，远优于LoRA的-11.4个百分点。

🎯 应用场景

CFAM的研究具有广泛的潜在应用场景，尤其是在危险环境中的无人机、机器人等自主系统。其能够在数据稀缺的情况下，快速适应新环境并执行复杂任务，具有重要的实际价值。未来，CFAM有望在军事、救援、探索等领域发挥重要作用，提升自主系统的智能水平与适应能力。

📄 摘要（原文）

Unattended interactive autonomy - machines that step into danger in place of humans and complete tasks with human tools - remains a missing capability in mission-critical operations. These domains offer scarce training data and only onboard compute, yet deployed systems must face novelty without erasing prior competence. We introduce Continual Field-Adaptive Models (CFAMs), which learn efficiently in the lab and continue learning after deployment through autonomous, gradient-free, on-device updates. CFAM uses a complementary learning architecture with a frozen slow-learning component and a fast-learning Capsule Field. The slow component contains three cortices: Sensor, which maps multimodal input into 3D-grounded geometry; Reasoning, which decomposes tasks into skills and evaluates outcomes; and Action, which executes geometric skills. The Capsule Field stores field learning one-shot and gradient-free as Competence Capsules. Skill installation is few-shot in the lab and continual in the field; open-world novelty is outside scope. We evaluate CFAM across five embodiments: manipulator, quadruped, humanoid, quadrotor, and off-road vehicle. Baselines (pi0, CogACT, SpatialVLA) use the same in-house multi-embodiment dataset for physical-platform comparisons. CFAM reaches the operating point of a standard policy trained on the full prior-training dataset using 40% of the data, or 2.5x fewer trajectories. At test time, autonomous capture of verified near-OOD cases improves action success by 13.9 percentage points. In sequential simulation, backward transfer is -0.5 percentage points versus -11.4 for LoRA. CFAM therefore provides a bounded form of post-deployment physical intelligence: few-shot skill learning, autonomous field growth from verified near-OOD experience, and retention of prior competence.