본 논문은 일반적인 자율 에이전트를 위한 지속적인 적응에 대해 다룹니다. 기존의 파라미터 효율적인 미세 조정 기법을 기반으로, 사전 훈련된 정책을 적응시키기 위한 경량 어댑터를 연구하며, 사전 훈련 단계에서 학습된 특징을 보존하고 우수한 적응 성능을 보여줍니다. 하지만 기존 접근 방식은 작업 학습을 개별적으로 처리하여 작업 간 지식 전이를 제한합니다. 본 논문에서는 새로운 메타 학습 목표를 통해 이전에 학습된 작업으로부터 현재 학습 작업으로 지식 전이를 용이하게 하는 Online Meta-Learned adapters (OMLA)를 제안합니다. 시뮬레이션 및 실제 환경에서의 광범위한 실험을 통해 OMLA가 기준 방법보다 더 나은 적응 성능을 달성함을 보여줍니다. 프로젝트 링크는 https://ricky-zhu.github.io/OMLA/ 입니다.
