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

# OGPO रोबोट नीतियों को सिम्युलेटेड कार्रवाई-त्रुटियों से उबरना सिखाता है

> एक ऑफ़लाइन प्रशिक्षण विधि रोबोट ट्रैजेक्टरी में प्रगति को लेबल करती है और कई निष्पादन व्यवधानों के तहत सिम्युलेटेड मैनिपुलेशन के परिणाम सुधारती है। भौतिक रोबोटों पर इसकी विश्वसनीयता का परीक्षण अभी नहीं हुआ है।

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.

सफल प्रदर्शनों की नकल करने के लिए प्रशिक्षित रोबोट नीति को कठिनाई हो सकती है, यदि पकड़ विफल हो जाए या भुजा ऐसे स्थान पर पहुँचे जिसे दर्ज पथ में शामिल नहीं किया गया था। एक[ 9 अक्टूबर के शोधपत्र](https://arxiv.org/html/2610.12914)में Chinese Academy of Sciences और Peking University के शोधकर्ताओं ने मौजूदा रोबोट ट्रैजेक्टरी से कार्य-प्रगति के आधार पर vision-language-action (VLA) नीतियाँ प्रशिक्षित करने का तरीका बताया। Offline Goal-conditioned Policy Optimization (OGPO) नामक उनकी विधि ने निष्पादन के बीच में व्यवधान वाले सिम्युलेटेड मैनिपुलेशन परीक्षणों में सफलता दर बढ़ाई। शोधपत्र भौतिक रोबोट पर तैनाती या स्वतंत्र पुनरुत्पादन की रिपोर्ट नहीं करता।

## बड़ा बदलाव

- **क्या बदला:** OGPO दर्ज रोबोट ट्रैजेक्टरी के चरणों को पहुँच योग्य कार्य-प्रगति अवस्थाओं के रूप में लेबल करता है, फिर ऑफ़लाइन प्रशिक्षण के दौरान नीति को अगले चरण की ओर ले जाने वाली कार्रवाइयों को पुरस्कृत करने में उन लेबल का उपयोग करता है।
- **यह क्यों मायने रखता है:** बीच की अवस्था तक पहुँचने का मूल्य सीख चुकी नीति के पास अधिक विकल्प हो सकते हैं, जब पकड़ या गति प्रदर्शित पथ से हट जाए। शोधपत्र इस विचार को सिमुलेशन में परखता है; यह भौतिक रोबोट पर विश्वसनीयता स्थापित नहीं करता।
- **क्या देखना चाहिए:** स्वतंत्र पुनरुत्पादन, भौतिक मैनिपुलेटर पर परिणाम, और ऐसे कार्य जिनकी प्रगति को ग्रिपर घटनाओं के आधार पर बाँटा नहीं जा सकता—इनसे विधि का दायरा स्पष्ट होगा।

## दर्ज प्रयासों से प्रगति सीखना

लेखक सफल प्रदर्शनों और विफल ट्रैजेक्टरी से शुरू करते हैं। OGPO प्रत्येक ट्रैजेक्टरी को तब बाँटता है जब ग्रिपर की अवस्था बदलती है, जैसे खुलने या बंद होने पर, और हर खंड को स्थानीय लक्ष्य देता है। पूरे हुए खंडों को सकारात्मक लेबल मिलता है। एक vision-language मॉडल चिह्नित करता है कि विफल ट्रैजेक्टरी के खंडों ने अपने स्थानीय लक्ष्य हासिल किए या नहीं; इसलिए अंततः विफल होने वाला रन भी बीच की प्रगति का साक्ष्य दे सकता है। लेखकों का[ विधि अनुभाग](https://arxiv.org/html/2610.12914) इस लेबलिंग प्रक्रिया और प्रशिक्षण उद्देश्यों का वर्णन करता है।

ये लेबल पूरी हुई अवस्थाओं की ओर बढ़ने पर प्रशिक्षण पुरस्कार, उन तक पहुँचने पर बोनस, और लक्ष्य चूकने वाले खंड पर दंड बनाते हैं। एक value model अनुमान लगाता है कि देखी गई किन अवस्थाओं के बाद प्रगति होती है। OGPO फिर अधिक अनुमानित लाभ वाले दर्ज कार्यों को अधिक भार देता है, जबकि सफल प्रदर्शनों पर supervised fine-tuning को action prior के रूप में बनाए रखता है। स्थानीय लक्ष्य का उपयोग प्रशिक्षण के दौरान पुरस्कार बनाने में होता है; यह तैनात नीति या उसके value function का अतिरिक्त इनपुट नहीं है। शोधपत्र के कार्यान्वयन विवरण के अनुसार value model प्रशिक्षण के दौरान उपयोग होता है।

यह डिज़ाइन imitation training की एक सीमित समस्या को संबोधित करता है। दर्ज प्रत्येक चरण पर विशेषज्ञ कार्रवाई की नकल करने से मॉडल को पता चलता है कि उस पथ पर क्या हुआ। OGPO यह प्रयास करता है कि नीति को संभव विचलन मिलने पर बीच के परिणाम उपयोगी जानकारी दें। उबरने की क्षमता फिर भी तय डेटा-समूह की सामग्री पर निर्भर करती है। लेखक स्पष्ट चेतावनी देते हैं कि उस डेटा से बहुत दूर के गंभीर विचलन संभवतः संभाले नहीं जा सकेंगे।

## बेंचमार्क क्या दिखाते हैं

लेखकों ने π0 और π0.5 VLA backbone का उपयोग करके LIBERO और MetaWorld सिम्युलेटेड मैनिपुलेशन सुइट पर OGPO का परीक्षण किया। शोधपत्र की LIBERO तुलना में π0.5 few-shot supervised baseline का औसत **77.1%** task success था; OGPO के साथ उसी शुरुआती नीति का औसत **97.1%**था। LIBERO-Long में रिपोर्ट किया गया परिणाम **43.9% से बढ़कर 93.2%**हुआ। ये नामित बेंचमार्क और शुरुआती नीति के task-success दर हैं, सामान्य रोबोट सफलता दर नहीं।

दो perturbation स्थितियों में रिकवरी का अधिक प्रत्यक्ष परीक्षण होता है। LIBERO-Plus कैमरा दृश्य, रोबोट की शुरुआती अवस्था, दृश्य शोर या वस्तुओं की व्यवस्था बदलता है। लेखकों का LIBERO-ReAct extension चुने गए 20-step अंतराल में action noise, उलटे ग्रिपर आदेश या end-effector की स्थिति बदलकर निष्पादन में व्यवधान डालता है। robustness table में π0.5 full-shot supervised baseline की तुलना में OGPO का संयुक्त स्कोर **81.8% बनाम 76.7%**था। उलटे ग्रिपर आदेश के तहत सफलता **87.7% बनाम 76.8%**थी। कैमरा-दृश्य प्रदर्शन उलटी दिशा में गया: **baseline के 62.8% से OGPO के 61.5% तक**। इसलिए कुल सुधार हर व्यवधान को शामिल नहीं करता।

शोधकर्ताओं ने प्रशिक्षण-विधि के कुछ हिस्से भी हटाए। उनके ablation में intermediate-goal reward या offline reinforcement term हटाने पर प्रदर्शन कम हुआ; supervised term हटाने से भी नुकसान हुआ। इससे लेखकों की व्यवस्था में लाभ का स्रोत समझने में मदद मिलती है, लेकिन यह विधि का स्वतंत्र परीक्षण नहीं है।

## बाकी सीमा

ग्रिपर बदलाव OGPO की ट्रैजेक्टरी सीमाएँ तय करते हैं। लेखक मानते हैं कि यह तब ठीक से मेल न खाए जब कार्य-प्रगति के साथ कोई स्वाभाविक ग्रिपर घटना न हो। वे ऑफ़लाइन डेटा की गुणवत्ता और दायरे पर निर्भरता भी बताते हैं। रिपोर्ट किए गए परीक्षण सिम्युलेटेड मैनिपुलेशन बेंचमार्क हैं; शोधपत्र भौतिक रोबोटों पर मापी गई task-completion दर या संचालन-सुरक्षा परिणाम नहीं देता।

ऑफ़लाइन VLA प्रशिक्षण का मूल्यांकन करने वाली टीमों के लिए शोधपत्र ठोस तुलना देता है: समान दर्ज ट्रैजेक्टरी पर प्रशिक्षण दें और फिर नियंत्रित विचलनों के बाद कार्य-समापन जाँचें। इसके सबसे मजबूत साक्ष्य सिम्युलेटेड मैनिपुलेशन से आते हैं, विशेषकर निष्पादन के बीच में ग्रिपर व्यवधान से। BIG CHANGE ने शोधपत्र और उसकी रिपोर्ट की गई तालिकाओं की समीक्षा की; हमने मॉडल प्रशिक्षित नहीं किया और रोबोट नहीं परखा।

## स्रोत और आगे पढ़ें

- [OGPO शोधपत्र, arXiv v1, 9 अक्टूबर 2026](https://arxiv.org/html/2610.12914): विधि, बेंचमार्क व्यवस्था, मुख्य तालिकाएँ, ablation, कार्यान्वयन विवरण और बताई गई सीमाएँ। arXiv रिकॉर्ड कहता है कि शोधपत्र NeurIPS 2026 में स्वीकार हुआ। परिणाम लेखकों के अनुसार हैं।
- [arXiv सार और संस्करण रिकॉर्ड](https://arxiv.org/abs/2610.12914): शीर्षक, लेखक, जमा करने का समय और संस्करण स्थिति।
- [H-JEPA दृश्य योजना पर BIG CHANGE की रिपोर्ट](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning): hierarchical visual-world-model planning पर संबंधित रोबोटिक्स शोध। H-JEPA अलग विधि और शोधपत्र है, जिसके मूल्यांकन-साक्ष्य भी अलग हैं।

## Sources

- [OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models, पूरा HTML शोधपत्र](https://arxiv.org/html/2610.12914) — लेखकों का मूल शोधपत्र। §§3–5, Tables 1–3, ablations और Appendices E–F विधि, simulator परिणाम, कार्यान्वयन और बताई गई सीमाएँ दर्ज करते हैं। परिणाम लेखकों के अनुसार हैं।
- [OGPO arXiv सार और संस्करण रिकॉर्ड](https://arxiv.org/abs/2610.12914) — शीर्षक, लेखक, जमा करने का समय, v1 स्थिति और NeurIPS 2026 में स्वीकृति बताने वाली arXiv टिप्पणी।
- [BIG CHANGE: H-JEPA hierarchical world model से सिम्युलेटेड कार्यों में दृश्य योजना सुधारता है](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning) — संबंधित लेकिन अलग रोबोट विधि और साक्ष्य-सीमा; केवल संदर्भ, कोई followUpTo संबंध नहीं।