Markdown-Ausgabe

AI-translated from English; not yet reviewed by a fluent editor.

# OGPO trainiert Roboterpolitiken zur Erholung von simulierten Aktionsfehlern

> Ein Offline-Trainingsverfahren kennzeichnet Fortschritte in Robotertrajektorien und verbessert Ergebnisse bei simulierten Manipulationsaufgaben unter mehreren Ausführungsstörungen. Die Zuverlässigkeit an physischen Robotern wurde noch nicht getestet.

By BIG CHANGE Editorial

Published: 2026-10-12T08:04:09.296Z
Updated: 2026-10-12T08:04:09.296Z
Canonical: https://bigchange.ai/blog/ogpo-offline-vla-robot-recovery

![A conceptual robotic arm with an open gripper above a tipped orange block beside a shallow tray holding an upright block.](https://bigchange.ai/api/media/file/ogpo-recovery-concept-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. It does not depict an OGPO test or a physical deployment.

Eine Roboterpolitik, die darauf trainiert wurde, erfolgreiche Demonstrationen zu kopieren, kann Schwierigkeiten bekommen, wenn ein Greifvorgang scheitert oder ein Arm an einer Stelle landet, die von der aufgezeichneten Bahn nicht abgedeckt wurde. In einem [Fachartikel vom 9. Oktober](https://arxiv.org/html/2610.12914) beschreiben Forschende der Chinesischen Akademie der Wissenschaften und der Peking-Universität ein Verfahren, um Vision-Language-Action-Richtlinien (VLA) anhand des Aufgabenfortschritts in bestehenden Robotertrajektorien zu trainieren. Ihre Methode Offline Goal-conditioned Policy Optimization (OGPO) verbesserte die Erfolgsraten in simulierten Manipulationstests mit Störungen während der Ausführung. Der Beitrag berichtet weder über einen Einsatz an physischen Robotern noch über eine unabhängige Replikation.

## Die große Veränderung

- **Was sich geändert hat:** OGPO kennzeichnet Abschnitte aufgezeichneter Robotertrajektorien als erreichbare Fortschrittszustände und nutzt diese Kennzeichnungen anschließend, um Aktionen zu belohnen, die eine Politik während des Offline-Trainings zum nächsten Abschnitt führen.
- **Warum das wichtig ist:** Eine Politik, die gelernt hat, welchen Wert das Erreichen eines Zwischenzustands hat, kann mehr Möglichkeiten haben, wenn ein Greif- oder Bewegungsablauf vom Demonstrationspfad abweicht. Der Beitrag prüft diese Annahme in einer Simulation; er belegt keine Zuverlässigkeit an einem physischen Roboter.
- **Worauf zu achten ist:** Eine unabhängige Reproduktion, Ergebnisse mit physischen Manipulatoren und Aufgaben, deren Fortschritt sich nicht anhand von Greiferereignissen einteilen lässt, würden die Reichweite der Methode verdeutlichen.

## Lernen aus aufgezeichneten Versuchen

Die Autoren beginnen mit erfolgreichen Demonstrationen und fehlgeschlagenen Trajektorien. OGPO teilt jede Trajektorie dort auf, wo sich der Zustand des Greifers ändert, etwa beim Öffnen oder Schließen, und weist jedem Abschnitt ein lokales Ziel zu. Abgeschlossene Abschnitte erhalten eine positive Kennzeichnung. Ein Vision-Language-Modell markiert, ob Abschnitte fehlgeschlagener Trajektorien ihre lokalen Ziele erreicht haben. So kann auch ein Lauf, der letztlich scheitert, Hinweise auf zwischenzeitliche Fortschritte liefern. Der Abschnitt der Autoren zum [Methodenteil](https://arxiv.org/html/2610.12914) beschreibt diesen Kennzeichnungsprozess und die Trainingsziele.

Die Kennzeichnungen erzeugen eine Trainingsbelohnung für Bewegungen hin zu abgeschlossenen Zuständen, einen Bonus für das Erreichen eines solchen Zustands und eine Strafe, wenn ein Abschnitt sein Ziel verfehlt. Ein Wertmodell schätzt, auf welche beobachteten Zustände Fortschritt folgt. OGPO gewichtet anschließend aufgezeichnete Aktionen mit einem höheren geschätzten Vorteil stärker und behält zugleich das überwachte Feintuning anhand erfolgreicher Demonstrationen als Aktionsprior bei. Das lokale Ziel dient dazu, während des Trainings Belohnungen zu berechnen; es ist weder eine zusätzliche Eingabe für die eingesetzte Politik noch für ihre Wertfunktion. Den Angaben zu den Implementierungsdetails zufolge wird das Wertmodell während des Trainings verwendet.

Das Design behandelt ein eng umrissenes Problem des Imitationslernens. Wer an jedem aufgezeichneten Schritt eine Expertenaktion kopiert, zeigt einem Modell, was auf dieser Bahn geschah. OGPO versucht, Zwischenergebnisse aussagekräftig zu machen, wenn die Politik auf eine machbare Abweichung trifft. Die Erholungsfähigkeit hängt weiterhin davon ab, was der feste Datensatz enthält. Die Autoren warnen ausdrücklich, dass starke Abweichungen über den Umfang dieser Daten hinaus unerreichbar bleiben können.

## Was die Benchmarks zeigen

Die Autoren testeten OGPO mit den simulierten Manipulations-Benchmarks LIBERO und MetaWorld sowie den VLA-Backbones π0 und π0.5. Im LIBERO-Vergleich des Beitrags erzielte die überwachte π0.5-Baseline mit wenigen Beispielen durchschnittlich **77,1 %** Aufgabenerfolg; dieselbe Ausgangspolitik erreichte mit OGPO durchschnittlich **97,1 %**. Bei LIBERO-Long stieg das berichtete Ergebnis von **43,9 % auf 93,2 %**. Dies sind Erfolgsraten für die genannten Benchmarks und die jeweilige Ausgangspolitik, keine allgemeine Erfolgsquote für Roboter.

Die Erholung wird direkter in zwei Störungsszenarien geprüft. LIBERO-Plus verändert die Kameraperspektive, den Ausgangszustand des Roboters, visuelles Rauschen oder die Objektanordnung. Die Erweiterung LIBERO-ReAct der Autoren stört die Ausführung in einem ausgewählten Intervall von 20 Schritten durch Aktionsrauschen, einen umgekehrten Greiferbefehl oder eine Positionsänderung des Endeffektors. Gegenüber der überwachten π0.5-Baseline mit vollständigem Datensatz erzielte OGPO in der Robustheitstabelle einen kombinierten Wert von **81,8 % gegenüber 76,7 %**. Bei einem umgekehrten Greiferbefehl lag der Erfolg bei **87,7 % gegenüber 76,8 %**. Bei einer veränderten Kameraperspektive fiel das Ergebnis dagegen von **62,8 % für die Baseline auf 61,5 % für OGPO**. Die aggregierte Verbesserung gilt daher nicht für jede Störung.

Die Forschenden entfernten außerdem Teile des Trainingsverfahrens. Ihre Ablationen zeigen geringere Leistung, wenn die Belohnung für Zwischenziele oder der Offline-Verstärkungsterm weggelassen wird; auch das Entfernen des überwachten Terms schadet. Das hilft, den Leistungsgewinn innerhalb des Aufbaus der Autoren einzuordnen, ist aber kein unabhängiger Test der Methode.

## Die verbleibende Grenze

Greiferänderungen definieren die Trajektoriengrenzen von OGPO. Die Autoren räumen ein, dass dies weniger gut passt, wenn der Aufgabenfortschritt kein natürliches Greiferereignis aufweist. Außerdem weisen sie auf die Abhängigkeit von Qualität und Umfang der Offline-Daten hin. Die berichteten Tests sind simulierte Manipulations-Benchmarks; der Beitrag liefert weder eine gemessene Abschlussrate an physischen Robotern noch ein Ergebnis zur Betriebssicherheit.

Für Teams, die Offline-Training von VLA-Politiken bewerten, bietet der Beitrag einen konkreten Vergleich: mit denselben aufgezeichneten Trajektorien trainieren und anschließend den Aufgabenabschluss nach kontrollierten Abweichungen prüfen. Die stärksten Belege stammen aus simulierten Manipulationsaufgaben, insbesondere aus der Greiferstörung während der Ausführung. BIG CHANGE hat den Beitrag und die berichteten Tabellen geprüft; wir haben weder ein Modell trainiert noch einen Roboter getestet.

## Quellen und weiterführende Lektüre

- [OGPO-Beitrag, arXiv v1, 9. Oktober 2026](https://arxiv.org/html/2610.12914): Methode, Benchmark-Aufbau, Haupttabellen, Ablationen, Implementierungsdetails und genannte Einschränkungen. Laut arXiv-Eintrag wurde der Beitrag bei NeurIPS 2026 angenommen. Die Ergebnisse stammen von den Autoren.
- [arXiv-Abstract und Versionsverlauf](https://arxiv.org/abs/2610.12914): Titel, Autoren, Einreichungszeitpunkt und Versionsstatus.
- [BIG CHANGE zu H-JEPA und visueller Planung](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning): verwandte Robotikforschung zu hierarchischer Weltmodellplanung. H-JEPA ist eine eigenständige Methode mit einem anderen Beitrag und anderen Evaluierungsbelegen.

## Sources

- [OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models, vollständiger HTML-Beitrag](https://arxiv.org/html/2610.12914) — Primärbeitrag der Autoren. §§ 3–5, Tabellen 1–3, Ablationen und Anhänge E–F belegen Methode, Simulationsergebnisse, Implementierung und genannte Grenzen. Die Ergebnisse stammen von den Autoren.
- [OGPO arXiv-Abstract und Versionsverlauf](https://arxiv.org/abs/2610.12914) — Titel, Autoren, Einreichungszeitpunkt, v1-Status und arXiv-Kommentar zur Annahme bei NeurIPS 2026.
- [BIG CHANGE: H-JEPA verbessert die visuelle Planung in simulierten Aufgaben mit einem hierarchischen Weltmodell](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning) — Verwandte, eigenständige Robotikmethode und Evidenzgrenze; nur Kontext, keine followUpTo-Beziehung.