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

Indonesian

Model vision-language-action (VLA) telah menunjukkan janji dalam manipulasi robot, tetapi imitasi pembelajaran (IL) sendiri sering berjuang untuk menguasai keterampilan jangka panjang yang kompleks. Reinforcement learning (RL) menawarkan jalan yang efektif untuk meningkatkan kebijakan VLA lebih lanjut. Namun, metode VLA-RL yang ada biasanya menderita penyerahan kredit tertunda dan bias karena reward yang langka pada tingkat trajektori, sementara penguasaan subtask yang tidak seimbang menciptakan hambatan botol yang membatasi kinerja secara keseluruhan. Untuk mengatasi tantangan ini, kami mengusulkan AtomicRL, kerangka kerja pasca pelatihan RL yang memanfaatkan struktur tugas atomik untuk r

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