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

# OGPO obučava robotske politike da se oporave od simuliranih grešaka u izvršavanju akcija

> Metoda oflajn obuke označava napredak u robotskim putanjama i poboljšava rezultate simulirane manipulacije pri više poremećaja tokom izvršavanja. Pouzdanost na fizičkim robotima još nije ispitana.

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.

Robotska politika obučena da kopira uspešne demonstracije može imati poteškoća kada hvatanje ne uspe ili ruka dospe na mesto koje zabeležena putanja nije obuhvatila. U [radu od 9. oktobra](https://arxiv.org/html/2610.12914), istraživači Kineske akademije nauka i Univerziteta u Pekingu opisuju način da se politike vida-jezika-akcije (VLA) obučavaju na napretku zadatka pomoću postojećih robotskih putanja. Njihova metoda, Offline Goal-conditioned Policy Optimization (OGPO), poboljšala je stope uspeha u simuliranim testovima manipulacije koji su uključivali poremećaje tokom izvršavanja. Rad ne izveštava o primeni na fizičkom robotu niti o nezavisnoj replikaciji.

## Šta se promenilo

- **Šta je novo:** OGPO označava faze zabeleženih robotskih putanja kao dostižna stanja napretka zadatka, a zatim koristi te oznake da nagradi akcije koje tokom oflajn obuke vode politiku ka sledećoj fazi.
- **Zašto je važno:** Politika koja je naučila vrednost dostizanja međustanja može imati više mogućnosti kada hvatanje ili pokret skrenu sa demonstrirane putanje. Rad proverava tu pretpostavku u simulaciji; ne utvrđuje pouzdanost na fizičkom robotu.
- **Šta pratiti:** Nezavisna reprodukcija, rezultati na fizičkim manipulatorima i zadaci čiji napredak ne može da se podeli prema događajima hvataljke razjasnili bi domet metode.

## Učenje napretka iz zabeleženih pokušaja

Autori polaze od uspešnih demonstracija i neuspelih putanja. OGPO deli svaku putanju na mestima gde hvataljka promeni stanje, na primer pri otvaranju ili zatvaranju, i svakom segmentu dodeljuje lokalni cilj. Završeni segmenti dobijaju pozitivnu oznaku. Model vida i jezika označava da li su segmenti neuspelih putanja ostvarili svoje lokalne ciljeve, pa i pokušaj koji se na kraju završi neuspehom može da pruži dokaz o međunapretku. Odeljak autora o [metodi](https://arxiv.org/html/2610.12914) opisuje ovaj postupak označavanja i ciljeve obuke.

Oznake stvaraju nagradu za kretanje ka završenim stanjima, bonus za njihovo dostizanje i kaznu kada segment promaši cilj. Model vrednosti procenjuje koja opažena stanja prate napredak. OGPO zatim daje veću težinu zabeleženim akcijama sa većom procenjenom prednošću, uz zadržavanje nadgledanog finog podešavanja na uspešnim demonstracijama kao prethodnog obrasca akcija. Lokalni cilj služi za konstruisanje nagrada tokom obuke; nije dodatni ulaz za primenjenu politiku ni njenu funkciju vrednosti. Prema detaljima implementacije u radu, model vrednosti koristi se tokom obuke.

Ovaj pristup rešava usko definisan problem učenja imitacijom. Kopiranje stručne akcije u svakom zabeleženom koraku modelu pokazuje šta se desilo duž te putanje. OGPO pokušava da međurezultate učini informativnim kada politika naiđe na izvodljivo odstupanje. Sposobnost oporavka i dalje zavisi od sadržaja fiksnog skupa podataka. Autori izričito upozoravaju da velika odstupanja izvan tih podataka mogu ostati nedostižna.

## Šta pokazuju benchmark testovi

Autori su testirali OGPO na simuliranim skupovima zadataka manipulacije LIBERO i MetaWorld, uz VLA osnove π0 i π0.5. U poređenju za LIBERO iz rada, nadgledana početna verzija π0.5 sa nekoliko primera imala je prosečan **77,1%** uspeh zadatka; ista početna politika sa OGPO ostvarila je prosečno **97,1%**. Na LIBERO-Long-u, prijavljeni rezultat porastao je sa **43,9% na 93,2%**. To su stope uspeha za navedeni benchmark i početnu politiku, a ne opšta stopa uspeha robota.

Oporavak se neposrednije testira u dva okruženja sa poremećajima. LIBERO-Plus menja pogled kamere, početno stanje robota, vizuelni šum ili raspored objekata. Proširenje LIBERO-ReAct koje su autori uveli ometa izvršavanje šumom u akcijama, obrnutom komandom hvataljke ili promenom položaja krajnjeg efektora tokom izabranog intervala od 20 koraka. U poređenju sa nadgledanom početnom verzijom π0.5 sa punim brojem primera u tabeli robusnosti, zbirni rezultat OGPO-a bio je **81,8% naspram 76,7%**. Sa obrnutom komandom hvataljke, uspeh je bio **87,7% naspram 76,8%**. Rezultat za pogled kamere bio je suprotan: sa **62,8% za početnu verziju na 61,5% za OGPO**. Zato zbirno poboljšanje ne obuhvata svaki poremećaj.

Istraživači su uklonili i delove recepta za obuku. Ablacije pokazuju slabiji učinak kada se izbace nagrada za međuciljeve ili termin oflajn potkrepljivanja; uklanjanje nadgledanog termina takođe pogoršava rezultat. To pomaže da se dobitak locira unutar postavke autora, ali nije nezavisan test metode.

## Preostalo ograničenje

Promene hvataljke određuju granice putanja u OGPO-u. Autori priznaju da to može loše da odgovara zadacima u kojima napredak nema prirodan događaj hvataljke. Takođe ističu zavisnost od kvaliteta i raspona oflajn podataka. Prijavljeni testovi su simulirani benchmark testovi manipulacije, a rad ne daje izmerenu stopu završetka zadatka na fizičkom robotu niti rezultat operativne bezbednosti.

Za timove koji procenjuju oflajn obuku VLA sistema, rad nudi konkretno poređenje: obučiti sistem na istim zabeleženim putanjama, pa testirati završetak zadatka nakon kontrolisanih odstupanja. Najjači dokaz potiče iz simulirane manipulacije, naročito iz poremećaja hvataljke tokom izvršavanja. BIG CHANGE je pregledao rad i prikazane tabele; nismo obučavali model niti testirali robota.

## Izvori i dodatna literatura

- [Rad o OGPO-u, arXiv v1, 9. oktobar 2026.](https://arxiv.org/html/2610.12914): metoda, postavka benchmark testova, glavne tabele, ablacije, detalji implementacije i navedena ograničenja. ArXiv zapis navodi da je rad prihvaćen za NeurIPS 2026. Rezultate su prijavili autori.
- [ArXiv sažetak i zapis verzija](https://arxiv.org/abs/2610.12914): naslov, autori, vreme predaje i status verzije.
- [BIG CHANGE o vizuelnom planiranju uz H-JEPA](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning): srodno istraživanje robotike o planiranju pomoću hijerarhijskog modela sveta. H-JEPA je zasebna metoda i rad, sa drugačijim dokazima iz evaluacije.

## Sources

- [OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models, puni HTML rada](https://arxiv.org/html/2610.12914) — Primarni rad autora. §§ 3–5, tabele 1–3, ablacije i dodaci E–F potkrepljuju metodu, simulacione rezultate, implementaciju i navedena ograničenja. Rezultate su prijavili autori.
- [OGPO arXiv sažetak i zapis verzija](https://arxiv.org/abs/2610.12914) — Naslov, autori, vreme predaje, status v1 i arXiv komentar o prihvatanju za NeurIPS 2026.
- [BIG CHANGE: H-JEPA poboljšava vizuelno planiranje u simuliranim zadacima hijerarhijskim modelom sveta](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning) — Srodna, zasebna metoda robotike i granica dokaza; samo kontekst, bez followUpTo veze.