DRAP：面向物理AI持续学习的动力学风险自适应可塑性方法

研究提出DRAP，一种免回放的持续学习方法，用局部轨迹放大风险加权的动作梯度估计模型张量的历史重要性，并据此缩放各张量的AdamW有效学习率。该方法在OpenVLA的KappaTune子网络上实例化，在LIBERO Spatial、Object、Goal三个套件上做顺序适应，相比标准AdamW微调和EWC，在保持新套件学习能力的同时明显提升了旧行为的保留。