跳到正文
arXiv · AI· Yuhan Wang, Ruiyang Wang, Jiaguan Zhu·· 2 天前AI 评分21

Outcome-Balanced PPO 与策略诱导流整流用于基于流的 VLA 策略

Outcome-Balanced PPO and Policy-Induced Flow Rectification for Flow-Based VLA Policies

AI 导读

针对基于流视觉-语言-动作(VLA)策略的强化学习后训练,提出结合 Outcome-Balanced PPO 与策略诱导流整流的方法,以提升模拟操作基准的任务成功率。 Outcome-Balanced PPO 基于任务成功率重新加权正优势,并调整正负优势幅度;策略诱导流整流通过拟合当前策略生成的 ODE 端点对,周期性刷新随机转换中的速度场几何表征。

来源:arXiv · AI · arxiv.org