Este artículo busca implementar un sistema que se adapte continuamente a entornos y tareas cambiantes en robots de aprendizaje continuo. A diferencia de los enfoques existentes, presentamos un marco generativo que mejora la alineación de los modelos al transformar las acciones planificadas, en lugar de usar modelos desalineados. Este marco utiliza la coincidencia de flujo para alinear los modelos de dinámica del robot en línea. Esto permite al robot recopilar datos ricos en información de forma más eficiente, acelerar el aprendizaje, gestionar modelos en evolución y potencialmente incompletos, y reducir la dependencia de búferes de reproducción o instantáneas de modelos existentes. Los resultados experimentales con vehículos terrestres no tripulados y cuadricópteros demuestran la adaptabilidad y eficiencia de nuestro método, logrando una tasa de éxito de tareas un 34,2 % superior a la de los métodos existentes.
