Markdown సంచిక

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

# OGPO అనుకరణలోని చర్యా లోపాల నుంచి కోలుకునేలా రోబోట్ విధానాలకు శిక్షణ ఇస్తుంది

> ఆఫ్‌లైన్ శిక్షణ పద్ధతి రోబోట్ పథాల్లో పురోగతిని గుర్తించి, అమలులోని పలు అంతరాయాల మధ్య అనుకరణ మానిప్యులేషన్ ఫలితాలను మెరుగుపరుస్తుంది. భౌతిక రోబోట్‌లపై విశ్వసనీయత ఇంకా పరీక్షించబడలేదు.

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.

విజయవంతమైన ప్రదర్శనలను అనుకరించేందుకు శిక్షణ పొందిన రోబోట్ విధానం, పట్టుకోవడం విఫలమైనప్పుడు లేదా నమోదు చేసిన మార్గంలో లేని చోటికి చేయి చేరినప్పుడు ఇబ్బంది పడవచ్చు. అక్టోబర్ 9న వెలువడిన ఒక [పరిశోధనా పత్రంలో](https://arxiv.org/html/2610.12914), చైనీస్ అకాడమీ ఆఫ్ సైన్సెస్, పెకింగ్ విశ్వవిద్యాలయ పరిశోధకులు ఇప్పటికే ఉన్న రోబోట్ పథాల్లో పని పురోగతిని ఉపయోగించి దృష్టి-భాష-చర్య (VLA) విధానాలకు శిక్షణ ఇచ్చే మార్గాన్ని వివరించారు. Offline Goal-conditioned Policy Optimization (OGPO) అనే వారి పద్ధతి, అమలులో మధ్యలో అంతరాయాలు కలిగిన అనుకరణ మానిప్యులేషన్ పరీక్షల్లో విజయ రేట్లను మెరుగుపరిచింది. భౌతిక రోబోట్‌పై అమలు లేదా స్వతంత్ర పునరావృత పరీక్ష గురించి పత్రం నివేదించలేదు.

## పెద్ద మార్పు

- **ఏం మారింది:** OGPO నమోదు చేసిన రోబోట్ పథంలోని దశలను చేరుకోగల పని-పురోగతి స్థితులుగా గుర్తిస్తుంది; ఆ గుర్తింపులను ఉపయోగించి ఆఫ్‌లైన్ శిక్షణలో విధానాన్ని తదుపరి దశకు నడిపించే చర్యలకు ప్రతిఫలం ఇస్తుంది.
- **ఇది ఎందుకు ముఖ్యం:** మధ్యంతర స్థితిని చేరుకోవడంలోని విలువను నేర్చుకున్న విధానానికి, పట్టుకోవడం లేదా కదలిక ప్రదర్శిత మార్గం నుంచి తప్పినప్పుడు మరిన్ని అవకాశాలు ఉండవచ్చు. ఈ వాదనను పత్రం అనుకరణలో పరీక్షిస్తుంది; భౌతిక రోబోట్‌లో విశ్వసనీయతను నిరూపించదు.
- **ఏం గమనించాలి:** స్వతంత్ర పునరావృతం, భౌతిక మానిప్యులేటర్లపై ఫలితాలు, గ్రిప్పర్ సంఘటనల ఆధారంగా పురోగతిని విభజించలేని పనులు—ఇవి పద్ధతి పరిధిని స్పష్టం చేస్తాయి.

## నమోదైన ప్రయత్నాల నుంచి పురోగతిని నేర్చుకోవడం

రచయితలు విజయవంతమైన ప్రదర్శనలు, విఫలమైన పథాలతో ప్రారంభిస్తారు. గ్రిప్పర్ తెరుచుకోవడం లేదా మూసుకోవడం వంటి స్థితి మారిన చోట OGPO ప్రతి పథాన్ని విభజించి, ప్రతి భాగానికి స్థానిక లక్ష్యాన్ని కేటాయిస్తుంది. పూర్తయిన భాగాలకు సానుకూల గుర్తింపు ఇస్తారు. విఫలమైన పథాల్లోని భాగాలు తమ స్థానిక లక్ష్యాలను సాధించాయా అని దృష్టి-భాషా నమూనా గుర్తిస్తుంది; అందువల్ల చివరికి విఫలమైన ప్రయత్నమూ మధ్యంతర పురోగతికి ఆధారాన్ని అందించగలదు. రచయితల [పద్ధతి విభాగం](https://arxiv.org/html/2610.12914) ఈ గుర్తింపు ప్రక్రియ, శిక్షణ లక్ష్యాలను వివరిస్తుంది.

ఈ గుర్తింపులు పూర్తయిన స్థితుల వైపు కదలికకు శిక్షణ ప్రతిఫలం, ఒక స్థితిని చేరుకున్నప్పుడు బోనస్, భాగం లక్ష్యాన్ని చేరుకోనప్పుడు జరిమానా సృష్టిస్తాయి. ఏ పరిశీలించిన స్థితుల తర్వాత పురోగతి వస్తుందో విలువ నమూనా అంచనా వేస్తుంది. ఆపై ఎక్కువ అంచనా ప్రయోజనం ఉన్న నమోదు చేసిన చర్యలకు OGPO అధిక బరువు ఇస్తుంది; విజయవంతమైన ప్రదర్శనలపై పర్యవేక్షిత ఫైన్-ట్యూనింగ్‌ను చర్యల ముందస్తు ఆధారంగా కొనసాగిస్తుంది. శిక్షణలో ప్రతిఫలాలను నిర్మించేందుకు స్థానిక లక్ష్యాన్ని ఉపయోగిస్తారు; అమలులోని విధానానికి లేదా దాని విలువ ఫంక్షన్‌కు అది అదనపు ఇన్‌పుట్ కాదు. పత్రంలోని అమలు వివరాల ప్రకారం విలువ నమూనా శిక్షణ సమయంలో ఉపయోగించబడుతుంది.

ఈ రూపకల్పన అనుకరణ శిక్షణలోని పరిమిత సమస్యను పరిష్కరిస్తుంది. నమోదైన ప్రతి దశలో నిపుణుడి చర్యను నకలు చేయడం ద్వారా ఆ మార్గంలో ఏమి జరిగిందో నమూనాకు తెలుస్తుంది. విధానం సాధ్యమైన మార్గభ్రంశాన్ని ఎదుర్కొన్నప్పుడు మధ్యంతర ఫలితాలు ఉపయోగకరంగా ఉండేలా OGPO ప్రయత్నిస్తుంది. కోలుకునే సామర్థ్యం స్థిరమైన డేటాసెట్‌లో ఉన్నదానిపైనే ఆధారపడి ఉంటుంది. ఆ డేటాను మించిన తీవ్రమైన మార్పులు అందుబాటులోకి రాకపోవచ్చని రచయితలు స్పష్టంగా హెచ్చరిస్తున్నారు.

## బెంచ్‌మార్క్‌లు ఏం చూపిస్తున్నాయి

రచయితలు π0, π0.5 VLA బ్యాక్‌బోన్‌లను ఉపయోగించి LIBERO, MetaWorld అనుకరణ మానిప్యులేషన్ సూట్‌లలో OGPOను పరీక్షించారు. పత్రంలోని LIBERO పోలికలో, కొన్ని ఉదాహరణలతో పర్యవేక్షిత శిక్షణ పొందిన π0.5 ప్రాథమిక నమూనా సగటున **77.1%** పని విజయాన్ని సాధించింది; అదే ప్రారంభ విధానం OGPOతో సగటున **97.1%** సాధించింది. LIBERO-Longలో నివేదించిన ఫలితం **43.9% నుంచి 93.2%కి** పెరిగింది. ఇవి పేర్కొన్న బెంచ్‌మార్క్, ప్రారంభ విధానానికి సంబంధించిన పని-విజయ రేట్లు; రోబోట్‌ల సాధారణ విజయ రేటు కాదు.

రెండు అంతరాయ పరిస్థితుల్లో పునరుద్ధరణను మరింత ప్రత్యక్షంగా పరీక్షించారు. LIBERO-Plus కెమెరా దృశ్యం, రోబోట్ ప్రారంభ స్థితి, దృశ్య శబ్దం లేదా వస్తువుల అమరికను మారుస్తుంది. రచయితల LIBERO-ReAct విస్తరణ, ఎంచుకున్న 20-దశల వ్యవధిలో చర్యా శబ్దం, తలకిందులైన గ్రిప్పర్ ఆదేశం లేదా ఎండ్-ఎఫెక్టర్ స్థానం మార్పు ద్వారా అమలుకు అంతరాయం కలిగిస్తుంది. వారి రోబస్ట్నెస్ పట్టికలో పూర్తి-షాట్ పర్యవేక్షిత π0.5 ప్రాథమిక నమూనాతో పోలిస్తే OGPO సంయుక్త స్కోరు **81.8% వర్సెస్ 76.7%**. గ్రిప్పర్ ఆదేశం తారుమారైనప్పుడు విజయం **87.7% వర్సెస్ 76.8%**. కెమెరా దృశ్యానికి ఫలితం మరో దిశలో ఉంది: **ప్రాథమిక నమూనాకు 62.8% నుంచి OGPOకు 61.5%కి**. కాబట్టి మొత్తం మెరుగుదల ప్రతి అంతరాయానికీ వర్తించదు.

పరిశోధకులు శిక్షణ విధానంలోని కొన్ని భాగాలను కూడా తొలగించారు. మధ్యంతర-లక్ష్య ప్రతిఫలం లేదా ఆఫ్‌లైన్ రీఇన్‌ఫోర్స్‌మెంట్ అంశాన్ని తొలగిస్తే పనితీరు తగ్గిందని వారి అబ్లేషన్‌లు నివేదించాయి; పర్యవేక్షిత అంశాన్ని తొలగించినా ఫలితం దెబ్బతింది. ఇది రచయితల అమరికలో మెరుగుదల ఎక్కడి నుంచి వచ్చిందో అంచనా వేయడంలో సహాయపడుతుంది; అయితే ఇది పద్ధతికి స్వతంత్ర పరీక్ష కాదు.

## మిగిలిన పరిమితి

OGPOలో గ్రిప్పర్ మార్పులే పథ సరిహద్దులను అందిస్తాయి. పని పురోగతికి సహజమైన గ్రిప్పర్ సంఘటన లేనప్పుడు ఇది తక్కువగా సరిపోవచ్చని రచయితలు అంగీకరించారు. ఆఫ్‌లైన్ డేటా నాణ్యత, పరిధిపై ఆధారపడటాన్ని కూడా వారు గుర్తించారు. నివేదించిన పరీక్షలు అనుకరణ మానిప్యులేషన్ బెంచ్‌మార్క్‌లు మాత్రమే; భౌతిక రోబోట్‌లపై కొలిచిన పూర్తి రేటు లేదా కార్యాచరణ భద్రతా ఫలితం పత్రంలో లేదు.

ఆఫ్‌లైన్ VLA శిక్షణను అంచనా వేసే బృందాలకు పత్రం ఒక స్పష్టమైన పోలికను అందిస్తుంది: అదే నమోదు చేసిన పథాలపై శిక్షణ ఇచ్చి, నియంత్రిత మార్పుల తర్వాత పని పూర్తిని పరీక్షించండి. బలమైన ఆధారం అనుకరణ మానిప్యులేషన్ నుంచి, ముఖ్యంగా అమలు మధ్యలో కలిగించే గ్రిప్పర్ అంతరాయం నుంచి వస్తుంది. BIG CHANGE పత్రం, నివేదించిన పట్టికలను సమీక్షించింది; మేము నమూనాకు శిక్షణ ఇవ్వలేదు, రోబోట్‌ను పరీక్షించలేదు.

## మూలాలు, తదుపరి పఠనం

- [OGPO పత్రం, arXiv v1, అక్టోబర్ 9, 2026](https://arxiv.org/html/2610.12914): పద్ధతి, బెంచ్‌మార్క్ అమరిక, ప్రధాన పట్టికలు, అబ్లేషన్‌లు, అమలు వివరాలు, పేర్కొన్న పరిమితులు. arXiv రికార్డు ప్రకారం ఈ పత్రం NeurIPS 2026లో ఆమోదించబడింది. ఫలితాలు రచయితలు నివేదించినవి.
- [arXiv సారాంశం, సంచికల రికార్డు](https://arxiv.org/abs/2610.12914): శీర్షిక, రచయితలు, సమర్పణ సమయం, సంచిక స్థితి.
- [H-JEPA దృశ్య ప్రణాళికపై BIG CHANGE కథనం](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning): శ్రేణీకృత ప్రపంచ-నమూనా ప్రణాళికపై సంబంధిత రోబోటిక్స్ పరిశోధన. H-JEPA వేరే పద్ధతి, వేరే పత్రం; మూల్యాంకన ఆధారాలు కూడా భిన్నమైనవి.

## Sources

- [OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models, పూర్తి HTML పత్రం](https://arxiv.org/html/2610.12914) — రచయితల ప్రాథమిక పత్రం. §§3–5, పట్టికలు 1–3, అబ్లేషన్‌లు, అనుబంధాలు E–F పద్ధతి, అనుకరణ ఫలితాలు, అమలు, పేర్కొన్న పరిమితులను ఆధారాలతో చూపిస్తాయి. ఫలితాలు రచయితలు నివేదించినవి.
- [OGPO arXiv సారాంశం, సంచికల రికార్డు](https://arxiv.org/abs/2610.12914) — శీర్షిక, రచయితలు, సమర్పణ సమయం, v1 స్థితి, NeurIPS 2026 ఆమోదాన్ని తెలిపే arXiv వ్యాఖ్య.
- [BIG CHANGE: H-JEPA దశలవారీ ప్రపంచ నమూనాతో అనుకరణ పనుల్లో దృశ్య ప్రణాళికను మెరుగుపరుస్తుంది](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning) — సంబంధితమైనా వేరైన రోబోటిక్స్ పద్ధతి, ఆధారాల పరిమితి; సందర్భం కోసం మాత్రమే, followUpTo సంబంధం లేదు.