DRAP: 用于物理 AI 持续学习的动态风险自适应可塑性方法

针对物理 AI 中策略误差沿轨迹累积导致闭环失败的问题，论文提出 DRAP 方法。 这是一种无重放方案，利用轨迹放大风险对张量动作梯度加权，累积重要性记忆以动态调节有效 AdamW 学习率。 该方法在 OpenVLA 子网络及 LIBERO 多套件上评估，相比 AdamW 和 EWC，在保持新任务习得能力的同时显著提升了旧行为的保留率。