본 논문은 일반적인 자율 에이전트를 위한 지속적인 적응(Continual adaptation)에 초점을 맞추고 있습니다. 사전 훈련된 다양한 기술을 갖춘 가정용 로봇이 각 가정마다 특정한 새로운 작업에 적응해야 하는 상황을 예시로 제시하며, 매개변수 효율적인 미세 조정(parameter-efficient fine-tuning)을 기반으로 사전 훈련된 정책을 적응시키는 경량 어댑터(lightweight adapters)를 연구합니다. 기존 경량 어댑터 접근 방식은 작업 학습을 개별적으로 처리하여 작업 간 지식 전이를 제한하는 한계를 가지는데, 본 논문에서는 이를 해결하기 위해 새로운 메타 학습 목표를 통해 이전에 학습된 작업으로부터 현재 학습 작업으로 지식 전이를 용이하게 하는 온라인 메타 학습 어댑터(Online Meta-Learned adapters, OMLA)를 제안합니다. 시뮬레이션 환경과 실제 환경에서의 광범위한 실험을 통해 OMLA가 기존 방법보다 더 나은 적응 성능을 달성함을 보여줍니다.
