Newest papers

AtomicRL: Atomic Reinforcement Learning for Long-Horizon Robotic Manipulation

Likui Zhang, Zhe Zhu, Zhihao Zhan, Yibo Bai, Hanlin Wang, Dongwei Li, Bin Wang, Tianle Zhang · 2026 · arXiv

DOI: 10.48550/arXiv.2610.30097 · open-access PDF

German

Vision-Language-Action (VLA) -Modelle haben in der Robotermanipulation vielversprechend gezeigt, aber imitierendes Lernen (IL) allein kämpft oft darum, komplexe Langhorizont-Fähigkeiten zu meistern. Verstärkendes Lernen (RL) bietet einen effektiven Weg zur weiteren Verbesserung der VLA-Politik. Jedoch leiden bestehende VLA-RL-Methoden typischerweise unter einer verzögerten und voreingenommenen Kreditvergabe aufgrund von sparsamen Belohnungen auf der Bahn, während eine unausgewogene Beherrschung von Unteraufgaben Schranken schafft, die die Gesamtleistung einschränken. Um diese Herausforderungen anzugehen, schlagen wir AtomicRL vor, ein RL-Post-Training-Framework,

Machine translation (Meta M2M100); the English original follows.

Abstract

Vision-language-action (VLA) models have shown promise in robotic manipulation, but imitation learning (IL) alone often struggles to master complex long-horizon skills. Reinforcement learning (RL) offers an effective avenue for further improving VLA policies. However, existing VLA-RL methods typically suffer from delayed and biased credit assignment due to trajectory-level sparse rewards, while imbalanced subtask mastery creates bottlenecks that limit overall performance. To address these challenges, we propose AtomicRL, an RL post-training framework that leverages atomic task structures for r

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange