本研究提出了两种新算法，解决持续学习中的标签和实例噪声问题。通过构建噪声容忍的重放缓冲区，实验证明这些方法在噪声环境下显著提高了分类准确性，并有效减少了遗忘现象。

本文探讨了连续学习中的对比学习方法，提出了一种基于重放缓冲区选择的算法，以解决灾难性遗忘问题。实验结果表明，该方法在图像分类任务中表现优异，有效维护了可转移表示。

该研究使用深度强化学习控制无人机群，提供重放缓冲区来改善性能，并实现了对邻居机器人和障碍物交互的注意机制。在模拟环境中可实现32架机器人并达到80％的障碍物密度，在实际物理环境中可实现8架机器人并达到20％的障碍物密度，可零-shot地转移到真实的无人机上。