यह शोधपत्र एक सतत अधिगम (CL) एल्गोरिथम प्रस्तावित करता है जो पूर्व में अर्जित जानकारी को बनाए रखते हुए, परिवेश से निरंतर और क्रमिक रूप से नया ज्ञान प्राप्त करने में सक्षम है। विशेष रूप से, इसे विभिन्न डेटा मोडैलिटीज़ (जैसे, स्पर्शनीय और दृश्य डेटा) से क्रमिक रूप से सीखने के लिए डिज़ाइन किया गया है और यह अपर्याप्त लेबल लेकिन प्रचुर मात्रा में स्वतंत्र और समान वितरण (NIID) लेबल-रहित डेटा वाले कृत्रिम परिवेशों में वर्ग क्रमिक अधिगम और डोमेन क्रमिक अधिगम, दोनों परिदृश्यों का लाभ उठाता है। यह एल्गोरिथम प्रत्येक वर्ग के लिए केवल प्रोटोटाइप संग्रहीत करके दक्षता बढ़ाता है। हम एक कस्टम मल्टीमॉडल डेटासेट का उपयोग करके इसके प्रदर्शन का मूल्यांकन करते हैं, जिसमें एक सॉफ्ट न्यूमैटिक ग्रिपर से प्राप्त स्पर्शनीय डेटा और स्थिर छवियों से निकाले गए वस्तुओं के दृश्य डेटा, साथ ही Core50 डेटासेट शामिल हैं। इसके अलावा, हम ROS फ्रेमवर्क का उपयोग करके वास्तविक समय वस्तु वर्गीकरण प्रयोगों के माध्यम से एल्गोरिथम की मजबूती की पुष्टि करते हैं।
