Title: GeCo-SRT: Geometry-aware Continual Adaptation for Robotic Cross-Task Sim-to-Real Transfer
Authors: Wenbo Yu, Wenke Xia, Weitao Zhang, Di Hu
arXiv: https://arxiv.org/abs/2602.20871
Problem framing
传统 sim2real 通常“一任务一迁移”，历史经验无法累积，导致每个新任务都重新付出高代价。本文转向跨任务持续迁移。
Core method
GeCo-SRT 通过 geometry-aware MoE 抽取跨任务可迁移几何先验，并用专家引导的 prioritized replay 维持旧知识，降低遗忘。
Key equations and mechanisms
- 专家门控：
对不同几何模式激活不同专家。
- 经验回放重加权：对“低使用率专家对应样本”提高采样概率，维持专家多样性。
- 持续迁移收益：声明在跨任务迭代中平均提升约 52%，新任务数据需求降到约 1/6。
Experiment reading guide
先看 sequential transfer 设定，再看 catastrophic forgetting 指标和样本效率曲线。
Limitations
若新任务几何分布偏离过大，历史专家可能失配；MoE 管理复杂度较高。
Future work
可结合元学习初始化专家，并做在线任务边界检测。
Replication angle
用两到三个操控任务串行迁移，比较“独立训练 vs 持续迁移”数据效率与遗忘率。
Key Figure: https://arxiv.org/html/2602.20871/x1.png
Graph: Paper Node 2602.20871