본 논문은 열린 환경에서 일반적인 로봇 지능을 개발하기 위한 지속적인 기술 학습의 필요성을 강조합니다. 대규모 사전 학습 데이터를 활용하는 최근의 VLA(Vision-Language-Action) 모델이 다양한 조작 작업을 지원하지만, 여전히 작업별 미세 조정에 의존하여 지속 학습 능력이 부족하다는 점을 지적합니다. 또한 기존의 지속 학습 방법은 VLA 모델로 확장하기에 자원 집약적입니다. 이에 본 연구에서는 두 가지 변형: T-Stellar (작업 중심 지식 공간 모델링) 및 TS-Stellar (계층적 작업-기술 구조 캡처)을 포함하는 지식 기반 지속 학습 프레임워크인 Stellar VLA를 제안합니다. Stellar VLA는 작업 잠재 표현과 지식 공간의 공동 학습을 통해 자기 지도 학습 기반 지식 진화를 가능하게 하여 주석 필요성을 줄입니다. 지식 기반 전문가 라우팅은 추가 네트워크 매개변수 없이 작업 특화를 제공하여 학습 오버헤드를 낮춥니다. LIBERO 벤치마크 및 실제 작업 실험 결과, 기존 baseline 대비 최종 성공률에서 평균 50% 이상 향상을 보였으며, TS-Stellar는 복잡한 액션 추론에서도 뛰어난 성능을 보였습니다.
