AtomicRL：面向长程机器人操作的原子强化学习框架
热点事件持续更新
AtomicRL：面向长程机器人操作的原子强化学习框架
1 篇报道1 个报道来源11 小时前更新
先了解这件事
AI 综述
Likui Zhang 等作者提出 AtomicRL，一个面向 VLA 模型的强化学习后训练框架，利用原子任务结构做信度分配与自适应探索。 据论文报告，在 LIBERO-LONG 上，它相对 PPO 在两种 VLA 架构上分别取得 3.6% 和 4.0% 的绝对性能提升；在 CALVIN ABC-D 上全任务性能最高提升 9.5%。配合 Real2Sim2Real 流程，真实机器人任务性能平均提升 21.3%。这些数字均为作者自报结果。
AI 根据报道生成 · 2 小时前更新
最新进展10月23日 12:00
AtomicRL：面向长程机器人操作的原子强化学习框架报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv cs.AIAtomicRL：面向长程机器人操作的原子强化学习框架
AtomicRL 是一个面向 VLA 模型的强化学习后训练框架，通过原子任务结构实现可靠的信度分配与自适应探索。在 LIBERO-LONG 上，它相对 PPO 在两种 VLA 架构上分别取得 3.6% 和 4.0% 的绝对性能提升；在 CALVIN ABC-D 上全任务性能最高提升 9.5%。配合 Real2Sim2Real 流程，真实机器人任务性能平均提升 21.3%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。