Data / 机器人 / 具身 / 实体卡片

HIL-SERL

论文与基准部署回流

视觉奖励分类器加人工干预的真机 RL，1–2.5 小时练到近满分

链接
arxiv.org

数据配方

系统用人类示范与人工纠正初始化，再做视觉 RL，由视觉奖励分类器给奖励，人在环中随时接管。覆盖动态操作、精密装配与双臂协调任务（Luo、Xu、Wu、Levine，Science Robotics）[1]。

结果与证据

在 1 到 2.5 小时真实世界训练后达到近满分成功率和快速节拍；相对模仿学习基线与既有 RL，平均成功率 2 倍、执行速度 1.8 倍 [1]。

已知缺陷与口径

每个任务需重新训练，分类器需任务特定的成败样本。人工干预成本未量化。结论为作者自报，平均 2 倍的基线选择需看原文。

来源

  1. arXiv 2410.21845 (2026-10-14)

相关卡片

SimpleVLA-RL论文与基准
OpenVLA-OFT 上的在线 RL，只需二值 outcome 奖励
π*0.6 / RECAP论文与基准
用演示、自主 rollout 与专家接管做优势条件化的真机 RL，数据量未披露
ALOHA / Mobile ALOHA工具与格式 · 美国
主从臂双臂遥操硬件，Mobile ALOHA 加移动底盘做全身示教

卡片整理 2026-10-14。公司自报数据标“公司口径”；⚠️ 为未经独立核实。