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

# OGPO melatih kebijakan robot untuk pulih dari kesalahan aksi yang disimulasikan

> Metode pelatihan offline memberi label pada kemajuan dalam trajektori robot dan meningkatkan hasil manipulasi simulasi di tengah beberapa gangguan eksekusi. Keandalan pada robot fisik belum diuji.

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.

Kebijakan robot yang dilatih untuk meniru demonstrasi sukses dapat kesulitan ketika genggaman gagal atau lengan berada di posisi yang tidak tercakup oleh lintasan yang direkam. Dalam sebuah[ makalah 9 Oktober](https://arxiv.org/html/2610.12914)peneliti dari Chinese Academy of Sciences dan Peking University melaporkan cara melatih kebijakan vision-language-action (VLA) berdasarkan kemajuan tugas dengan memakai trajektori robot yang sudah ada. Metode mereka, Offline Goal-conditioned Policy Optimization (OGPO), meningkatkan tingkat keberhasilan dalam uji manipulasi simulasi yang mencakup gangguan saat eksekusi. Makalah itu tidak melaporkan penerapan pada robot fisik atau replikasi independen.

## Perubahan utama

- **Apa yang berubah:** OGPO memberi label pada tahap trajektori robot yang direkam sebagai keadaan kemajuan tugas yang dapat dicapai, lalu memakai label itu untuk memberi imbalan pada aksi yang menggerakkan kebijakan menuju tahap berikutnya selama pelatihan offline.
- **Mengapa penting:** Kebijakan yang telah mempelajari nilai dari mencapai keadaan antara mungkin memiliki lebih banyak pilihan ketika genggaman atau gerakan menyimpang dari lintasan demonstrasi. Makalah menguji gagasan itu dalam simulasi; makalah tidak membuktikan keandalan pada robot fisik.
- **Yang perlu dipantau:** Replikasi independen, hasil pada manipulator fisik, dan tugas yang kemajuannya tidak dapat dibagi berdasarkan peristiwa gripper akan membantu memperjelas jangkauan metode ini.

## Mempelajari kemajuan dari percobaan yang direkam

Penulis memulai dengan demonstrasi sukses dan trajektori yang gagal. OGPO membagi setiap trajektori ketika keadaan gripper berubah, seperti membuka atau menutup, lalu menetapkan tujuan lokal untuk setiap segmen. Segmen yang selesai menerima label positif. Model vision-language menandai apakah segmen dalam trajektori gagal mencapai tujuan lokalnya, sehingga eksekusi yang akhirnya gagal masih dapat memberi bukti kemajuan antara. Bagian metode para penulis[ bagian metode](https://arxiv.org/html/2610.12914) menjelaskan proses pelabelan dan tujuan pelatihan ini.

Label tersebut membentuk imbalan pelatihan untuk bergerak menuju keadaan yang selesai, bonus karena mencapainya, dan penalti ketika segmen meleset dari tujuannya. Model nilai memperkirakan keadaan teramati mana yang diikuti kemajuan. OGPO kemudian memberi bobot lebih besar pada aksi yang direkam dengan keunggulan terestimasi lebih tinggi, sambil mempertahankan supervised fine-tuning pada demonstrasi sukses sebagai prior aksi. Tujuan lokal digunakan untuk menyusun imbalan selama pelatihan; tujuan itu bukan masukan tambahan bagi kebijakan yang diterapkan atau fungsi nilainya. Menurut rincian implementasi makalah, model nilai digunakan selama pelatihan.

Desain ini menangani masalah sempit dalam pelatihan imitasi. Menyalin aksi ahli di setiap langkah yang direkam memberi tahu model apa yang terjadi di sepanjang lintasan itu. OGPO berupaya membuat hasil antara tetap informatif ketika kebijakan menemui penyimpangan yang masih dapat dijalankan. Kemampuan pemulihan tetap bergantung pada isi dataset tetap. Penulis secara eksplisit memperingatkan bahwa penyimpangan berat di luar cakupan data itu mungkin tetap tidak dapat ditangani.

## Apa yang ditunjukkan benchmark

Penulis menguji OGPO pada rangkaian manipulasi simulasi LIBERO dan MetaWorld, dengan backbone VLA π0 dan π0.5. Dalam perbandingan LIBERO di makalah, baseline supervised few-shot π0.5 rata-rata mencapai **77,1%** keberhasilan tugas; kebijakan awal yang sama dengan OGPO rata-rata mencapai **97,1%** . Pada LIBERO-Long, hasil yang dilaporkan naik dari **43,9% menjadi 93,2%** . Ini adalah tingkat keberhasilan tugas untuk benchmark dan kebijakan awal yang disebutkan, bukan tingkat keberhasilan robot secara umum.

Pemulihan diuji lebih langsung dalam dua pengaturan perturbasi. LIBERO-Plus mengubah pandangan kamera, keadaan awal robot, noise visual, atau tata letak objek. Ekstensi LIBERO-ReAct dari penulis mengganggu eksekusi dengan noise aksi, perintah gripper terbalik, atau perubahan posisi end-effector selama interval 20 langkah yang dipilih. Dibandingkan baseline supervised full-shot π0.5 dalam tabel robustness mereka, skor gabungan OGPO adalah **81,8% dibanding 76,7%** . Dengan perintah gripper terbalik, keberhasilan adalah **87,7% dibanding 76,8%** . Kinerja pada perubahan pandangan kamera bergerak ke arah sebaliknya: dari **62,8% pada baseline menjadi 61,5% pada OGPO** . Jadi, peningkatan agregat tidak mencakup setiap gangguan.

Peneliti juga menghapus bagian dari resep pelatihan. Ablasi mereka melaporkan kinerja lebih rendah ketika imbalan tujuan antara atau komponen penguatan offline dihilangkan; menghapus komponen supervised juga merugikan hasil. Hal itu membantu menunjukkan sumber peningkatan dalam pengaturan penulis, tetapi bukan pengujian independen atas metode tersebut.

## Batas yang tersisa

Perubahan gripper menyediakan batas trajektori OGPO. Penulis mengakui bahwa pendekatan ini mungkin kurang cocok ketika kemajuan tugas tidak memiliki peristiwa gripper alami. Mereka juga menyebut ketergantungan pada kualitas dan cakupan data offline. Pengujian yang dilaporkan adalah benchmark manipulasi simulasi, dan makalah tidak menyediakan tingkat penyelesaian terukur pada robot fisik atau hasil keselamatan operasional.

Bagi tim yang mengevaluasi pelatihan VLA offline, makalah ini memberi perbandingan konkret: latih dengan trajektori rekaman yang sama, lalu uji penyelesaian tugas setelah penyimpangan terkendali. Bukti terkuatnya berasal dari manipulasi simulasi, terutama gangguan gripper saat eksekusi berlangsung. BIG CHANGE meninjau makalah dan tabel yang dilaporkan; kami tidak melatih model atau menguji robot.

## Sumber dan bacaan lanjutan

- [makalah OGPO, arXiv v1, 9 Oktober 2026](https://arxiv.org/html/2610.12914): metode, pengaturan benchmark, tabel utama, ablasi, rincian implementasi, dan batas yang dinyatakan. Catatan arXiv menyebut makalah ini diterima di NeurIPS 2026. Hasil dilaporkan oleh penulis.
- [abstrak dan catatan versi arXiv](https://arxiv.org/abs/2610.12914): judul, penulis, waktu pengajuan, dan status versi.
- [artikel BIG CHANGE tentang perencanaan visual H-JEPA](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning): riset robotika terkait tentang perencanaan dengan model dunia visual hierarkis. H-JEPA adalah metode dan makalah terpisah, dengan bukti evaluasi yang berbeda.

## Sources

- [OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models, makalah HTML lengkap](https://arxiv.org/html/2610.12914) — Makalah utama para penulis. §§3–5, Tabel 1–3, ablasi, dan Lampiran E–F membahas metode, hasil simulator, implementasi, serta batas yang dinyatakan. Hasil dilaporkan oleh penulis.
- [abstrak OGPO dan catatan versi arXiv](https://arxiv.org/abs/2610.12914) — Judul, penulis, waktu pengajuan, status v1, dan komentar arXiv yang menyebut penerimaan di NeurIPS 2026.
- [BIG CHANGE: H-JEPA meningkatkan perencanaan visual dalam tugas simulasi dengan model dunia hierarkis](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning) — Metode robotika yang terkait tetapi berbeda beserta batas buktinya; hanya sebagai konteks, tanpa hubungan followUpTo.