DRAP：面向物理AI持续学习的动力学风险自适应可塑性方法

Oswaldo Ludwig 提出 DRAP（Dynamics-Risk Adaptive Plasticity），一种面向物理AI持续学习的无回放方法。该方法针对闭环中单步策略误差沿轨迹累积的问题，用局部轨迹放大风险加权的样本级动作梯度估计可调张量的历史重要性：先对专家状态-动作转移拟合岭正则化局部线性模型，以其状态转移矩阵最大奇异值给出与策略无关、受李雅普诺夫思想启发的一步扰动放大估计；每个任务结束后将风险加权平方梯度累积到张量级重要性记忆，后续任务用归一化累积重要性缩放各张量的有效 AdamW 学习率，降低对动态敏感轨迹点上支撑旧行为的分量的可塑性。