Edição em Markdown

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

# OGPO treina políticas robóticas para se recuperar de erros de ação simulados

> Um método de treinamento offline identifica o progresso em trajetórias robóticas e melhora os resultados de manipulação simulada diante de várias perturbações durante a execução. A confiabilidade em robôs físicos ainda não foi testada.

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.

Uma política robótica treinada para copiar demonstrações bem-sucedidas pode ter dificuldades quando uma preensão falha ou um braço chega a uma posição que a trajetória registrada não cobriu. Em um [artigo de 9 de outubro](https://arxiv.org/html/2610.12914), pesquisadores da Academia Chinesa de Ciências e da Universidade de Pequim descrevem uma forma de treinar políticas de visão-linguagem-ação (VLA) usando o progresso da tarefa em trajetórias robóticas existentes. O método, chamado Offline Goal-conditioned Policy Optimization (OGPO), melhorou as taxas de sucesso em testes simulados de manipulação que incluíram perturbações durante a execução. O artigo não relata implantação em robôs físicos nem replicação independente.

## A grande mudança

- **O que mudou:** A OGPO identifica etapas de trajetórias robóticas registradas como estados alcançáveis de progresso da tarefa e usa essas identificações para recompensar ações que conduzem a política à etapa seguinte durante o treinamento offline.
- **Por que isso importa:** Uma política que aprendeu o valor de alcançar um estado intermediário pode ter mais opções quando uma preensão ou um movimento sai da trajetória demonstrada. O artigo testa essa hipótese em simulação; não comprova confiabilidade em um robô físico.
- **O que acompanhar:** Uma reprodução independente, resultados em manipuladores físicos e tarefas cujo progresso não possa ser dividido por eventos da garra ajudariam a esclarecer o alcance do método.

## Aprender com o progresso de tentativas registradas

A seção dos autores sobre [método](https://arxiv.org/html/2610.12914) descreve esse processo de rotulagem e os objetivos de treinamento.

Os rótulos criam uma recompensa de treinamento pelo movimento em direção a estados concluídos, um bônus por alcançar um deles e uma penalidade quando um segmento não atinge sua meta. Um modelo de valor estima quais estados observados são seguidos por progresso. Em seguida, a OGPO dá mais peso às ações registradas com maior vantagem estimada, mantendo o ajuste fino supervisionado em demonstrações bem-sucedidas como uma referência para as ações. A meta local é usada para construir recompensas durante o treinamento; ela não é uma entrada adicional da política implantada nem de sua função de valor. Segundo os detalhes de implementação do artigo, o modelo de valor é usado durante o treinamento.

Esse projeto aborda um problema específico do treinamento por imitação. Copiar uma ação especializada em cada etapa registrada informa ao modelo o que ocorreu naquela trajetória. A OGPO tenta tornar os resultados intermediários informativos quando a política encontra um desvio viável. A capacidade de recuperação ainda depende do conteúdo do conjunto de dados fixo. Os autores alertam explicitamente que desvios severos para além desses dados podem continuar fora de alcance.

## O que os benchmarks mostram

Os autores testaram a OGPO nas suítes simuladas de manipulação LIBERO e MetaWorld, usando os backbones VLA π0 e π0.5. Na comparação LIBERO do artigo, a linha de base supervisionada π0.5 com poucos exemplos obteve, em média, **77,1%** de sucesso na tarefa; a mesma política inicial com OGPO obteve, em média, **97,1%**. No LIBERO-Long, o resultado relatado subiu de **43,9% para 93,2%**. São taxas de sucesso nas tarefas dos benchmarks e da política inicial especificada, não uma taxa geral de sucesso robótico.

A recuperação é testada de forma mais direta em dois cenários de perturbação. O LIBERO-Plus altera a visão da câmera, o estado inicial do robô, o ruído visual ou a disposição dos objetos. A extensão LIBERO-ReAct dos autores perturba a execução com ruído nas ações, um comando de garra invertido ou uma mudança de posição do efetuador final durante um intervalo selecionado de 20 passos. Em comparação com a linha de base supervisionada π0.5 com todos os dados na tabela de robustez, a pontuação combinada da OGPO foi de **81,8% contra 76,7%**. Com um comando de garra invertido, o sucesso foi de **87,7% contra 76,8%**. O desempenho com mudança na visão da câmera foi na direção oposta: de **62,8% para a linha de base a 61,5% para a OGPO**. Portanto, a melhora agregada não abrange todas as perturbações.

Os pesquisadores também removeram partes da receita de treinamento. As ablações relatam desempenho menor quando se elimina a recompensa por metas intermediárias ou o termo de reforço offline; remover o termo supervisionado também prejudica os resultados. Isso ajuda a localizar o ganho dentro da configuração dos autores, mas não constitui um teste independente do método.

## O limite restante

As mudanças na garra definem os limites das trajetórias da OGPO. Os autores reconhecem que isso pode se ajustar mal a tarefas cujo progresso não tenha um evento natural da garra. Também destacam a dependência da qualidade e da abrangência dos dados offline. Os testes relatados são benchmarks simulados de manipulação, e o artigo não apresenta uma taxa medida de conclusão com robôs físicos nem resultados de segurança operacional.

Para equipes que avaliam treinamento offline de VLA, o artigo oferece uma comparação concreta: treinar com as mesmas trajetórias registradas e testar a conclusão da tarefa após desvios controlados. As evidências mais fortes vêm da manipulação simulada, sobretudo da perturbação da garra durante a execução. A BIG CHANGE analisou o artigo e as tabelas relatadas; não treinamos um modelo nem testamos um robô.

## Fontes e leituras adicionais

- [Artigo da OGPO, arXiv v1, 9 de outubro de 2026](https://arxiv.org/html/2610.12914): método, configuração dos benchmarks, tabelas principais, ablações, detalhes de implementação e limitações declaradas. O registro do arXiv informa que o artigo foi aceito na NeurIPS 2026. Os resultados são relatados pelos autores.
- [Resumo e registro de versões do arXiv](https://arxiv.org/abs/2610.12914): título, autores, horário de submissão e status da versão.
- [BIG CHANGE sobre o planejamento visual do H-JEPA](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning): pesquisa relacionada em robótica sobre planejamento com modelos de mundo hierárquicos. H-JEPA é um método e artigo separados, com evidências de avaliação diferentes.

## Sources

- [OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models, artigo completo em HTML](https://arxiv.org/html/2610.12914) — Artigo primário dos autores. §§ 3–5, Tabelas 1–3, ablações e Apêndices E–F estabelecem o método, os resultados simulados, a implementação e os limites declarados. Os resultados são relatados pelos autores.
- [Resumo e registro de versões do arXiv sobre OGPO](https://arxiv.org/abs/2610.12914) — Título, autores, horário de submissão, status v1 e comentário do arXiv que informa a aceitação na NeurIPS 2026.
- [BIG CHANGE: H-JEPA melhora o planejamento visual em tarefas simuladas com um modelo de mundo hierárquico](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning) — Método relacionado, mas separado, de robótica e limite das evidências; apenas contexto, sem relação followUpTo.