Das Lernen ist ein inhärent kontinuierliches Phänomen. Bei Menschen gibt es keinen expliziten Unterschied zwischen Training und Inferenz beim Erlernen einer neuen Aufgabe. Während wir eine Aufgabe erlernen, lernen wir gleichzeitig weiter, während wir sie ausführen. Das, was und wie wir etwas lernen, variiert in verschiedenen Lernphasen. Die Fähigkeit zu lernen, wie man lernt und sich anpasst, ist eine wesentliche Eigenschaft, die es uns ermöglicht, nahtlos auf neue Situationen zu verallgemeinern. Dies steht im Gegensatz zu herkömmlichen Szenarien im maschinellen Lernen, bei denen ein trainiertes Modell während der Inferenz eingefroren wird. In dieser Arbeit untersuchen wir das Problem des Lernens von Lernen sowohl während des Trainings als auch der Testphase im Kontext visueller Navigation. Eine grundlegende Herausforderung bei der Navigation besteht in der Verallgemeinerung auf unbekannte Szenen. In diesem Artikel schlagen wir eine selbstadaptive Methode für visuelle Navigation (Self-Adaptive Visual Navigation, SAVN) vor, die ohne explizite Überwachung das Anpassen an neue Umgebungen lernt. Unsere Lösung basiert auf einem Meta-Reinforcement-Learning-Ansatz, bei dem ein Agent einen selbstüberwachten Interaktionsverlust lernt, der effektive Navigation fördert. Unsere Experimente im Rahmen von AI2-THOR zeigen erhebliche Verbesserungen sowohl in der Erfolgsrate als auch im SPL (Success weighted by Path Length) für die visuelle Navigation in neuen Szenen. Unser Code und unsere Daten sind unter folgendem Link verfügbar: https://github.com/allenai/savn .