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

# OGPO обучава роботске политике да се опораве од симулираних грешака у радњама

> Метода офлајн обучавања означава напредак у роботским трајекторијама и побољшава резултате симулиране манипулације при неколико поремећаја извршавања. Поузданост на физичким роботима још није испитана.

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.

Роботска политика обучена да копира успешне демонстрације може имати потешкоће када хват не успе или рука заврши на месту које снимљена путања не покрива. У[ раду од 9. октобра](https://arxiv.org/html/2610.12914)истраживачи Кинеске академије наука и Пекиншког универзитета описују начин обучавања политика вида, језика и акције (VLA) на основу напретка задатка и постојећих роботских трајекторија. Њихова метода, названа Offline Goal-conditioned Policy Optimization (OGPO), повећала је стопу успеха у симулираним тестовима манипулације који су укључивали поремећаје током извршавања. Рад не наводи примену на физичким роботима ни независну репликацију.

## Кључна промена

- **Шта је промењено:** OGPO означава етапе снимљених роботских трајекторија као достижна стања напретка задатка, а затим те ознаке користи да награди радње које политику током офлајн обучавања воде ка следећој етапи.
- **Зашто је важно:** Политика која је научила вредност достизања међустања може имати више могућности када хват или покрет одступе од демонстриране путање. Рад то испитује у симулацији; не доказује поузданост на физичком роботу.
- **Шта треба пратити:** Независна репликација, резултати на физичким манипулаторима и задаци чији се напредак не може поделити према догађајима хватаљке помогли би да се утврди домет методе.

## Учење напретка из снимљених покушаја

Аутори полазе од успешних демонстрација и неуспешних трајекторија. OGPO дели сваку трајекторију када се промени стање хватаљке, на пример при отварању или затварању, и сваком сегменту додељује локални циљ. Завршени сегменти добијају позитивну ознаку. Модел вида и језика означава да ли су сегменти неуспешних трајекторија достигли локалне циљеве, па и извођење које се заврши неуспехом може пружити доказ о међунапретку. У[ одељку о методи](https://arxiv.org/html/2610.12914) аутори описују поступак означавања и циљеве обучавања.

Ознаке стварају награду за кретање ка завршеним стањима, бонус за њихово достизање и казну када сегмент промаши циљ. Модел вредности процењује иза којих посматраних стања следи напредак. OGPO затим даје већу тежину снимљеним радњама са већом процењеном предношћу, задржавајући надгледано дообучавање на успешним демонстрацијама као претходно знање о радњама. Локални циљ служи за обликовање награда током обучавања; он није додатни улаз за примењену политику нити њену функцију вредности. Према детаљима имплементације у раду, модел вредности користи се током обучавања.

Овај дизајн решава уско питање у имитационом обучавању. Копирање стручне радње у сваком снимљеном кораку говори моделу шта се догодило дуж те путање. OGPO покушава да учини међурезултате информативним када политика наиђе на изводљиво одступање. Опоравак и даље зависи од садржаја фиксног скупа података. Аутори изричито упозоравају да тешка одступања изван тих података могу остати недостижна.

## Шта показују бенчмарци

Аутори су тестирали OGPO на симулираним скуповима за манипулацију LIBERO и MetaWorld, користећи VLA основе π0 и π0.5. У поређењу LIBERO у раду, π0.5 few-shot надгледана основна политика просечно је остварила **77,1%** успеха задатака; иста почетна политика са OGPO просечно је остварила **97,1%** . На LIBERO-Long, наведени резултат порастао је са **43,9% на 93,2%** . То су стопе успеха за наведени бенчмарк и почетну политику, а не општа стопа успеха робота.

Опоравак се непосредније испитује у два подешавања поремећаја. LIBERO-Plus мења поглед камере, почетно стање робота, визуелни шум или распоред предмета. Проширење LIBERO-ReAct аутора ремети извршавање шумом радњи, обрнутом командом хватаљке или променом положаја крајњег извршног елемента током изабраног интервала од 20 корака. У односу на π0.5 full-shot надгледану основну политику у табели робусности, комбиновани резултат OGPO био је **81,8% према 76,7%** . При обрнутој команди хватаљке успех је био **87,7% према 76,8%** . Учинак при промени погледа камере кренуо је у супротном смеру: са **62,8% за основну политику на 61,5% за OGPO** . Збирно побољшање, дакле, не обухвата сваки поремећај.

Истраживачи су уклонили и делове поступка обучавања. Њихове аблације показују слабији учинак када се изостави награда за међуциљ или офлајн члан појачања; изостављање надгледаног члана такође штети. То помаже да се у оквиру подешавања аутора лоцира добитак, али није независан тест методе.

## Преостало ограничење

Промене хватаљке одређују границе трајекторија OGPO. Аутори признају да то можда не одговара задацима у којима напредак нема природан догађај хватаљке. Наводе и зависност од квалитета и обима офлајн података. Пријављени тестови су симулирани бенчмарци манипулације, а рад не даје измерену стопу завршетка на физичком роботу нити резултат оперативне безбедности.

За тимове који процењују офлајн VLA обучавање, рад нуди конкретно поређење: обучити модел на истим снимљеним трајекторијама, па тестирати завршетак задатка после контролисаних одступања. Најјачи доказ долази из симулиране манипулације, посебно поремећаја хватаљке током извршавања. BIG CHANGE је прегледао рад и његове табеле; нисмо обучавали модел нити тестирали робота.

## Извори и додатна литература

- [OGPO рад, arXiv v1, 9. октобар 2026.](https://arxiv.org/html/2610.12914): метода, подешавање бенчмарка, главне табеле, аблације, детаљи имплементације и наведена ограничења. arXiv запис наводи да је рад прихваћен за NeurIPS 2026. Резултате су пријавили аутори.
- [arXiv сажетак и запис верзије](https://arxiv.org/abs/2610.12914): наслов, аутори, време подношења и статус верзије.
- [BIG CHANGE о H-JEPA визуелном планирању](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning): сродно истраживање роботике о планирању помоћу хијерархијског визуелног модела света. H-JEPA је засебна метода и рад са другачијим доказима о евалуацији.

## Sources

- [OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models, цео HTML рад](https://arxiv.org/html/2610.12914) — Примарни рад аутора. §§3–5, табеле 1–3, аблације и додаци E–F утврђују методу, резултате симулатора, имплементацију и наведена ограничења. Резултате су пријавили аутори.
- [OGPO arXiv сажетак и запис верзије](https://arxiv.org/abs/2610.12914) — Наслов, аутори, време подношења, статус v1 и коментар на arXiv-у о прихватању за NeurIPS 2026.
- [BIG CHANGE: H-JEPA побољшава визуелно планирање у симулираним задацима хијерархијским моделом света](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning) — Сродна, али различита роботска метода и граница доказа; само контекст, без followUpTo везе.