El aprendizaje continuo (CL) es una tecnología clave para permitir que los sistemas de guía autónoma impulsados por datos operen de manera estable y persistente en entornos complejos y dinámicos. Su objetivo principal es permitir que el modelo aprenda continuamente nuevos escenarios y tareas después de su implementación, sin olvidar el conocimiento existente, y finalmente lograr una toma de decisiones estable en los diferentes escenarios durante un largo período. Este artículo propone un método de aprendizaje continuo que combina la repetición de generación de características con Mezcla de Expertos y Adaptación de Bajo Rango (MoE-LoRA). Este método retiene las características clave de tareas históricas mediante la repetición de características y realiza la selección adaptativa de conocimiento antiguo y nuevo mediante la Mezcla de Expertos (MoE), lo que alivia el conflicto entre conocimientos mientras asegura la eficiencia del aprendizaje. En los experimentos de comparación, comparamos el método propuesto con los métodos representativos de aprendizaje continuo, y los resultados experimentales muestran que nuestro método supera a los métodos representativos de aprendizaje continuo, y los experimentos de ablación demuestran aún más el papel de cada componente. Este trabajo proporciona apoyo técnico para el mantenimiento a largo plazo y la expansión de nuevas tareas de sistemas de guía autónoma impulsados por datos, sentando una base para su operación estable en escenarios del mundo real complejos y variables.