Markdown edition

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

# Sinasanay ng OGPO ang mga robot policy na makabawi mula sa mga ginayang error sa pagkilos

> Nilalagyan ng offline na paraan ng pagsasanay ang mga trajectory ng robot ng mga label ng pag-usad at pinahuhusay ang mga resulta sa simulated manipulation sa gitna ng ilang abala sa pagpapatakbo. Hindi pa nasusubok ang pagiging maaasahan nito sa pisikal na robot.

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.

Maaaring mahirapan ang robot policy na sinanay na gayahin ang matagumpay na demonstrasyon kapag pumalya ang paghawak o napunta ang braso sa puwestong hindi saklaw ng naitalang landas. Sa isang[ papel noong Oktubre 9](https://arxiv.org/html/2610.12914)iniulat ng mga mananaliksik mula sa Chinese Academy of Sciences at Peking University ang paraan ng pagsasanay sa vision-language-action (VLA) policy batay sa pag-usad sa gawain gamit ang dati nang mga trajectory ng robot. Tinawag nilang Offline Goal-conditioned Policy Optimization (OGPO) ang paraan; pinataas nito ang success rate sa mga simulated manipulation test na may abala habang tumatakbo ang kilos. Walang iniulat ang papel na deployment sa pisikal na robot o independiyenteng replikasyon.

## Ang malaking pagbabago

- **Ano ang nagbago:** Nilalagyan ng OGPO ng label ang mga yugto ng naitalang trajectory ng robot bilang mga maaabot na estado ng pag-usad sa gawain, at ginagamit ang mga label na iyon upang gantimpalaan ang kilos na nagtutulak sa policy patungo sa susunod na yugto habang offline ang pagsasanay.
- **Bakit mahalaga:** Maaaring magkaroon ng mas maraming opsiyon ang policy na natutong pahalagahan ang pag-abot sa intermediate state kapag lumihis sa ipinakitang landas ang paghawak o galaw. Sinusubok ng papel ang ideyang iyon sa simulation; hindi nito pinatutunayan ang pagiging maaasahan sa pisikal na robot.
- **Ano ang dapat bantayan:** Makakatulong linawin ang saklaw ng paraan ang independiyenteng replikasyon, mga resulta sa pisikal na manipulator, at mga gawaing hindi mahahati ang pag-usad ayon sa pangyayari sa gripper.

## Pagkatuto ng pag-usad mula sa mga naitalang pagtatangka

Nagsisimula ang mga may-akda sa matagumpay na demonstrasyon at mga pumalyang trajectory. Hinahati ng OGPO ang bawat trajectory kapag nagbago ang estado ng gripper, gaya ng pagbukas o pagsara, at nagtatakda ng lokal na layunin para sa bawat segment. Positibong label ang ibinibigay sa mga natapos na segment. Itinatala ng vision-language model kung naabot ng mga segment sa pumalyang trajectory ang kanilang lokal na layunin, kaya makapagbibigay pa rin ng ebidensiya ng intermediate na pag-usad ang takbong nauwi sa pagkabigo. Inilalarawan ng mga may-akda sa[ seksiyon ng pamamaraan](https://arxiv.org/html/2610.12914) ang prosesong ito ng paglalabel at mga layunin ng pagsasanay.

Lumilikha ang mga label ng gantimpala sa pagsasanay para sa paggalaw patungo sa mga natapos na estado, bonus sa pag-abot sa mga ito, at parusa kapag hindi naabot ng segment ang layunin. Tinataya ng value model kung aling mga naobserbahang estado ang sinusundan ng pag-usad. Mas binibigyan tuloy ng timbang ng OGPO ang mga naitalang kilos na may mas mataas na tinatayang advantage, habang pinananatili ang supervised fine-tuning sa matagumpay na demonstrasyon bilang action prior. Ginagamit ang lokal na layunin upang buuin ang mga gantimpala habang nagsasanay; hindi ito dagdag na input sa naka-deploy na policy o value function nito. Ayon sa detalye ng implementasyon sa papel, sa pagsasanay ginagamit ang value model.

Tinutugunan ng disenyong ito ang makitid na problema sa imitation training. Itinuturo lamang sa modelo ng pagkopya sa ekspertong kilos sa bawat naitalang hakbang kung ano ang nangyari sa landas na iyon. Sinisikap ng OGPO na gawing kapaki-pakinabang ang mga intermediate na resulta kapag nakatagpo ang policy ng maisasagawang paglihis. Nakasalalay pa rin ang kakayahang makabawi sa laman ng nakapirming dataset. Tahasang nagbabala ang mga may-akda na maaaring hindi kayanin ang malalaking paglihis na lampas sa datos na iyon.

## Ipinakikita ng mga benchmark

Sinubukan ng mga may-akda ang OGPO sa mga simulated manipulation suite na LIBERO at MetaWorld, gamit ang π0 at π0.5 VLA backbone. Sa paghahambing sa LIBERO sa papel, may average na **77.1%** task success ang π0.5 few-shot supervised baseline; umabot sa **97.1%**ang average ng parehong panimulang policy gamit ang OGPO. Sa LIBERO-Long, tumaas ang iniulat na resulta mula **43.9% hanggang 93.2%** . Mga task-success rate ito para sa pinangalanang benchmark at panimulang policy, hindi pangkalahatang robot success rate.

Mas tuwirang sinusubok ang recovery sa dalawang setting ng perturbation. Binabago ng LIBERO-Plus ang camera view, panimulang estado ng robot, visual noise o ayos ng mga bagay. Ginugulo naman ng LIBERO-ReAct extension ng mga may-akda ang pagpapatakbo sa pamamagitan ng action noise, baligtad na utos sa gripper o pagbabago sa puwesto ng end effector sa piniling 20-step na pagitan. Laban sa π0.5 full-shot supervised baseline sa robustness table, **81.8% laban sa 76.7%**ang pinagsamang score ng OGPO. Sa baligtad na utos sa gripper, **87.7% laban sa 76.8%**ang success. Kabaligtaran ang resulta sa pagbabago ng camera view: mula **62.8% para sa baseline tungo sa 61.5% para sa OGPO** . Kaya hindi saklaw ng pinagsamang pagbuti ang lahat ng perturbation.

Inalis din ng mga mananaliksik ang ilang bahagi ng recipe ng pagsasanay. Iniulat ng kanilang ablation na bumaba ang performance nang alisin ang intermediate-goal reward o offline reinforcement term; nakasama rin ang pag-alis sa supervised term. Nakakatulong itong tukuyin kung saan nagmula ang pagbuti sa setup ng mga may-akda, ngunit hindi ito independiyenteng pagsubok sa paraan.

## Ang natitirang hangganan

Ang pagbabago sa gripper ang nagtatakda ng mga hangganan ng trajectory ng OGPO. Kinikilala ng mga may-akda na maaaring hindi ito akma kapag walang likas na pangyayari sa gripper na naghahati sa pag-usad ng gawain. Tinutukoy rin nila ang pag-asa sa kalidad at saklaw ng offline data. Simulated manipulation benchmark ang mga iniulat na pagsubok, at walang sinusukat na completion rate sa pisikal na robot o resulta sa kaligtasan ng operasyon ang papel.

Para sa mga pangkat na sumusuri sa offline VLA training, may konkretong paghahambing ang papel: magsanay sa parehong naitalang trajectory, saka subukan ang pagkumpleto ng gawain matapos ang kontroladong paglihis. Pinakamalakas ang ebidensiya nito sa simulated manipulation, lalo na sa abala sa gripper habang tumatakbo ang kilos. Sinuri ng BIG CHANGE ang papel at mga iniulat nitong talahanayan; hindi kami nagsanay ng modelo o sumubok ng robot.

## Mga source at dagdag na babasahin

- [OGPO paper, arXiv v1, Oktubre 9, 2026](https://arxiv.org/html/2610.12914): pamamaraan, setup ng benchmark, pangunahing talahanayan, ablation, detalye ng implementasyon at mga nakasaad na limitasyon. Ayon sa tala ng arXiv, tinanggap ang papel sa NeurIPS 2026. Iniulat ng mga may-akda ang mga resulta.
- [abstract at tala ng bersiyon ng arXiv](https://arxiv.org/abs/2610.12914): pamagat, mga may-akda, oras ng pagsusumite at estado ng bersiyon.
- [BIG CHANGE tungkol sa H-JEPA visual planning](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning): kaugnay na pananaliksik sa robot tungkol sa hierarchical world-model planning. Ibang paraan at papel ang H-JEPA, na may ibang ebidensiya sa pagsusuri.

## Sources

- [OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models, buong HTML paper](https://arxiv.org/html/2610.12914) — Pangunahing papel ng mga may-akda. Ipinapakita ng §§3–5, Tables 1–3, ablation at Appendices E–F ang pamamaraan, resulta sa simulator, implementasyon at mga nakasaad na limitasyon. Iniulat ng mga may-akda ang mga resulta.
- [abstract at tala ng bersiyon ng OGPO sa arXiv](https://arxiv.org/abs/2610.12914) — Pamagat, mga may-akda, oras ng pagsusumite, estado ng v1 at komentong nagsasaad ng pagtanggap sa NeurIPS 2026.
- [BIG CHANGE: Pinahuhusay ng H-JEPA ang visual planning sa simulated na gawain gamit ang hierarchical world model](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning) — Kaugnay ngunit ibang robot method at hangganan ng ebidensiya; konteksto lamang, walang followUpTo na ugnayan.