多感官持续学习：使预训练视觉运动策略适应力感知

基于摘要分析。本文研究机器人操作中的多感官持续学习：在视觉预训练策略中引入新的感知模态以适应新任务，同时保持原有传感配置下的任务性能。作者提出 MultiSensory World Model（MuSe），针对接触密集操作中视觉难以直接观测的交互状态，利用有限多感官数据扩展预训练策略；主要研究对象是机器人操作，而非 EEG 或 BCI。 方法结合多阶段融合、多感官未来预测，以及对预训练数据的经验回放。作者将 MuSe 实例化为对视觉单模态 World-Action Model 的扩展，加入触觉力/力矩感知，并在真实机器人操作任务中评估。摘要也将 VLA 列为可适配的预训练策略类型，但未提供其具体实验结果。融合位置、预测目标、损失形式、训练阶段与回放配置尚未验证。 作者报告，在所评估的真实机器人任务中，MuSe 在接触密集微调任务上表现较强，同时保持、部分情况下改善原预训练任务的性能；摘要未提供量化指标、数据规模、任务划分或对照细节。因此，“有限多感官数据能改善微调分布之外的通用机器人能力”应视为作者基于这些实验提出的结论，其适用范围仍需全文核对。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若已有 EEG 预训练模型及可回放的预训练数据，该框架可能为新增辅助传感模态时兼顾旧任务能力提供方法参考；假设可复用未来预测与经验回放思路，但需改造时序编码、模态对齐和融合模块。机器人交互状态的可预测性不等同于 EEG 神经状态的可预测性，低信噪比、跨被试差异、通道变化和小数据均可能使新增模态收益失效。可在固定被试与数据划分下，比较 EEG 单模态微调、直接融合和融合加回放，分别检查新任务收益与原任务性能保持情况；相关 EEG 工作尚未检索确认。