費(fèi)森俞，上海創(chuàng)智學(xué)院 & 同濟(jì)大學(xué)博士一年級(jí)學(xué)生，導(dǎo)師趙憲忠教授，研究方向?yàn)?VLA 強(qiáng)化學(xué)習(xí)后訓(xùn)練。王思尹，上海創(chuàng)智學(xué)院 & 復(fù)旦大學(xué)博士二年級(jí)學(xué)生，導(dǎo)師邱錫鵬教授，研究方向?yàn)槎嗄B(tài)具身智能。為本文共同第一作者。

龔經(jīng)經(jīng)，上海創(chuàng)智學(xué)院全時(shí)導(dǎo)師。邱錫鵬，復(fù)旦大學(xué)教授，上海創(chuàng)智學(xué)院全時(shí)導(dǎo)師。為本文共同通訊作者。

你是否想過，機(jī)器人也能像人一樣，從失敗中學(xué)習(xí)，不斷自我提升

當(dāng)前，視覺語言動(dòng)作（VLA）模型在機(jī)器人操作任務(wù)中表現(xiàn)出色，但其性能嚴(yán)重依賴專家示范數(shù)據(jù)，不僅成本高昂，還存在「示范偏差」，性能難以突破人類上限。而強(qiáng)化學(xué)習(xí)雖好，卻常因「獎(jiǎng)勵(lì)稀疏」問題，讓機(jī)器人無法從失敗中真正受益。

• 論文鏈接：https://arxiv.org/pdf/2511.15605
• 代碼倉庫：https://github.com/sii-research/siiRL
• 技術(shù)文檔：https://siirl.readthedocs.io/en/latest/examples/embodied_srpo_example.html

動(dòng)機(jī)與貢獻(xiàn)

近期研究表明，強(qiáng)化學(xué)習(xí)作為一種有效的后訓(xùn)練策略，能顯著提升 VLA 模型在分布內(nèi)與分布外的性能。在強(qiáng)化學(xué)習(xí)方法中，基于組優(yōu)化的方法（如 GRPO）因其簡潔高效的學(xué)習(xí)范式，已成為 VLA-RL 的重要技術(shù)路徑，但其仍面臨獎(jiǎng)勵(lì)信號(hào)稀疏的挑戰(zhàn)。該問題在 VLA 領(lǐng)域尤為突出：多輪軌跡推理的計(jì)算成本極高，對(duì)失敗軌跡信息的低效利用嚴(yán)重降低了訓(xùn)練效率。雖有研究嘗試通過過程監(jiān)督提供密集反饋，但這些方法通常依賴專家示范或人工任務(wù)分解來定義中間進(jìn)展，其固有的擴(kuò)展性局限與自主學(xué)習(xí)目標(biāo)存在根本矛盾。

圖 1：GRPO 等方法僅依賴稀疏的結(jié)果獎(jiǎng)勵(lì)，學(xué)習(xí)信號(hào)有限；手動(dòng)設(shè)計(jì)的過程獎(jiǎng)勵(lì)（PRM）需要成本高昂的外部示范或任務(wù)微調(diào)；而 SRPO 框架提出了自參考范式，有效利用失敗軌跡。

為應(yīng)對(duì)獎(jiǎng)勵(lì)稀疏挑戰(zhàn)，我們提出自我參考學(xué)習(xí)范式，以模型自身生成的成功軌跡作為參照標(biāo)準(zhǔn)，評(píng)估并引導(dǎo)失敗嘗試。與 GRPO 僅利用結(jié)果性獎(jiǎng)勵(lì)進(jìn)行優(yōu)勢(shì)估計(jì)不同，我們的方法能更高效地利用完整軌跡批，這一范式將監(jiān)督問題的核心從「如何獲取專家標(biāo)簽」轉(zhuǎn)變?yōu)椤溉绾螐淖陨沓晒?jīng)驗(yàn)中提取漸進(jìn)式獎(jiǎng)勵(lì)」。

該范式的核心挑戰(zhàn)在于如何量化成功與失敗軌跡之間的行為相似性，以評(píng)估任務(wù)完成進(jìn)度。傳統(tǒng)像素級(jí)世界模型存在跨領(lǐng)域泛化能力不足或需要大量任務(wù)特定微調(diào)的問題，我們發(fā)現(xiàn)潛在世界表征天然捕捉了跨環(huán)境可遷移的行為進(jìn)展模式，使得無需精確環(huán)境重建或領(lǐng)域特定訓(xùn)練即可實(shí)現(xiàn)魯棒的軌跡比較。

基于以上洞察，我們提出自參考策略優(yōu)化（SRPO），貢獻(xiàn)主要包括以下三方面：

1. 提出 SRPO 框架，通過利用模型生成的成功軌跡為失敗嘗試提供漸進(jìn)式獎(jiǎng)勵(lì)，緩解獎(jiǎng)勵(lì)稀疏性問題，消除對(duì)專家示范或任務(wù)特定工程的依賴。

2. 提出基于潛在世界表征的漸進(jìn)式獎(jiǎng)勵(lì)方法，克服傳統(tǒng)像素級(jí)世界模型的泛化局限與領(lǐng)域特定訓(xùn)練需求。

3. 實(shí)驗(yàn)結(jié)果表明，我們的方法在 LIBERO 基準(zhǔn)測試中達(dá)到 SOTA 性能，在 LIBERO-Plus 上展現(xiàn)出強(qiáng)大泛化能力，并驗(yàn)證了獎(jiǎng)勵(lì)建模的真機(jī)可遷移性。

技術(shù)方案

如圖 2 所示，SRPO 通過一種「向成功者學(xué)習(xí)」的直觀方式，幫助機(jī)器人智能體在復(fù)雜任務(wù)中更有效地學(xué)習(xí)。該方案主要包含如下核心環(huán)節(jié)：

圖 2： 策略推理過程產(chǎn)生的軌跡被收集到動(dòng)態(tài)參考集中，行為相似性被建模為潛在世界空間中的軌跡距離，以此算出的漸進(jìn)式獎(jiǎng)勵(lì)在 KL 正則化的約束下用于優(yōu)勢(shì)估計(jì)和策略優(yōu)化。

1. 同策略軌跡收集：每次策略更新后，模型將推理時(shí)產(chǎn)生的所有軌跡數(shù)據(jù)存入動(dòng)態(tài)參考集，并根據(jù)任務(wù)完成情況劃分為「成功」與「失敗」兩組。

2. 世界表征提取與聚類：SRPO 將參考集中的每條軌跡都編碼到世界模型的潛在表征空間中，該表征可以理解為對(duì)整個(gè)任務(wù)過程的濃縮概括，包含物理世界的本質(zhì)規(guī)律。值得注意的是，這種表征完全基于對(duì)原始觀測的直接建模，不依賴于人類發(fā)明的「語言」或「符號(hào)」作為中介。

3. 漸進(jìn)式獎(jiǎng)勵(lì)及策略更新：對(duì)于參考集中的成功軌跡，SRPO 計(jì)算其表征聚類中心作為典型成功范式，通過計(jì)算每條失敗軌跡到最近典型成功表征的距離來作為進(jìn)度度量，距離越大說明與成功越遠(yuǎn)，即進(jìn)度越低，通過批次歸一化將距離變?yōu)?0 到 1 之間的連續(xù)漸進(jìn)式獎(jiǎng)勵(lì)，進(jìn)而使用 PPO 式的目標(biāo)函數(shù)更新策略。

問題建模

世界進(jìn)展獎(jiǎng)勵(lì)模型

自參考策略優(yōu)化

優(yōu)化目標(biāo)：采用 PPO 風(fēng)格的裁剪目標(biāo)函數(shù)，并添加 KL 散度正則項(xiàng)以保持策略穩(wěn)定性：

實(shí)驗(yàn)結(jié)果

僅用 200 步強(qiáng)化學(xué)習(xí)，成功率從 48.9% 飆升至 99.2%

表 1 表明，SRPO 僅憑第三視角圖像與語言指令，不僅優(yōu)于依賴 0/1 獎(jiǎng)勵(lì)的 SimpleVLA-RL、RLinf 等強(qiáng)化學(xué)習(xí)基線，也超越了需要人工設(shè)計(jì)階段獎(jiǎng)勵(lì)的 TGRPO 等方案，超越多個(gè)依賴腕部視角、本體感知、3D 輸入的復(fù)雜模型，突顯 SRPO 在信息利用上的高效性。

表 1： SRPO 僅通過第三視角觀測，在 LIBERO 上取得了 SOTA 性能。策略輸入符號(hào)說明：T (第三視角)，I (語言指令)，P (本體數(shù)據(jù))，W (腕部視角)，D (深度)。

泛化能力實(shí)測：一舉超越 15w 步監(jiān)督學(xué)習(xí)基線

表 2 表明，在更具挑戰(zhàn)的 LIBERO-Plus 泛化測試中，SRPO 帶來的性能提升高達(dá) 167%。即便未使用任何泛化場景數(shù)據(jù)進(jìn)行訓(xùn)練，僅通過 SRPO 自身的探索學(xué)習(xí)，泛化性能仍然超越 SFT 模型。

表 2： SRPO 在 LIBERO-Plus 泛化性測試基準(zhǔn)上的表現(xiàn)顯著優(yōu)于其基線。

獎(jiǎng)勵(lì)信號(hào)：物理世界的「內(nèi)行視角」

圖 3 中，我們以「將馬克杯放進(jìn)微波爐并關(guān)門」（兩階段時(shí)序任務(wù)，仿真環(huán)境）和收拾桌面（五個(gè)重復(fù)性「抓取 - 放置」任務(wù)，真實(shí)環(huán)境）兩個(gè)典型任務(wù)為例，展示 SRPO 在獎(jiǎng)勵(lì)構(gòu)建上的優(yōu)勢(shì)：相較于易受視覺干擾，無法反映真實(shí)進(jìn)度的像素級(jí)方法，或缺乏物理規(guī)律理解，獎(jiǎng)勵(lì)波動(dòng)劇烈的通用視覺模型，我們的獎(jiǎng)勵(lì)曲線平滑、單調(diào)，符合物理世界進(jìn)展規(guī)律

圖 3： 仿真環(huán)境 (a-c) 和真實(shí)環(huán)境 (d-f) 中漸進(jìn)式獎(jiǎng)勵(lì)對(duì)比圖。

效率優(yōu)勢(shì)顯著

效率方面，在圖 4 中，對(duì)于 LIBERO 長時(shí)序任務(wù)，初始模型 One-shot SFT 成功率僅 17.3%，SRPO 僅用 219 步即提升至 98.6%，相比同期 GRPO，性能提升 15.3%，相較 150k 步的 full-shot SFT 模型性能提升 12.9%。

圖 4： SRPO 與 GRPO 的訓(xùn)練效率比較。

獎(jiǎng)勵(lì)建模真機(jī)實(shí)測

圖 5： 相較于 SFT 基線，SRPO 獎(jiǎng)勵(lì)構(gòu)建方法在真實(shí)世界任務(wù)上成功率有顯著提升。

激發(fā)創(chuàng)造性：讓機(jī)器人學(xué)會(huì)「自主尋路」

此外，我們發(fā)現(xiàn) SRPO 訓(xùn)練后，模型能夠自主探索出多種專家軌跡中不存在的新路徑與抓取姿態(tài)，如圖 6 所示。說明 SRPO 不僅能提升成功率，更能激發(fā)機(jī)器人超越示范、自主探索新的解決策略。

圖 6： 模型推理過程中末端執(zhí)行器軌跡記錄圖。

我們發(fā)現(xiàn)，SRPO 是其零成本的代替方案，是一個(gè)「免費(fèi)的午餐」

結(jié)語

告別昂貴的數(shù)據(jù)標(biāo)注和復(fù)雜的獎(jiǎng)勵(lì)設(shè)計(jì)，SRPO 僅憑模型自身的成功經(jīng)驗(yàn)與物理世界常識(shí)，即可實(shí)現(xiàn)性能躍遷。無需訓(xùn)練價(jià)值模型，無需人工獎(jiǎng)勵(lì)工程，無需密集專家示范，SRPO 實(shí)現(xiàn)了讓機(jī)器人從「模仿」走向「創(chuàng)造」，從「依賴」走向「自主」，為 VLA 強(qiáng)化學(xué)習(xí)開辟了一條充滿希望的新路徑。