Tag · 3 篇
奖励塑形
分布 强化学习与具身智能2视觉语言模型1
01 02 03
SRPO：面向视觉-语言-动作模型的自参照策略优化
SRPO: Self-Referential Policy Optimization for Vision-Language-Action Models
用世界模型的潜空间编码替代像素级比较来度量轨迹进度，为视觉驱动的机器人策略提供了一种无需人工奖励工程、可跨环境泛化的稠密奖励构造方式，可直接迁移到其他 VLA 后训练或视觉轨迹评估场景。
面向机器人强化学习的通用过程奖励建模
General Process Reward Modeling for Robotic Reinforcement Learning
多视角奖励融合与逐步奖励离散化为视觉研究者提供了从多视角观测中提取细粒度操作进度信号的通用范式，可直接复用于机器人操作策略的稠密奖励建模与单样本任务适配。
从失败到反馈：组修正解锁目标级视觉定位中的困难案例
From Failure to Feedback: Group Revision Unlocks Hard Cases in Object-Level Grounding
提出组修正优化范式，通过生成修正候选并量化改进来构造塑形信号，缓解GRPO在困难样本上奖励稀疏的问题，可复用于视觉语言模型的强化学习微调。