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

Russian

Модели Vision-language-action (VLA) продемонстрировали обещание в робототехнической манипуляции, но имитация обучения (IL) в одиночку часто борется с овладением сложными навыками длинного горизонта. Укрепление обучения (RL) предлагает эффективный путь для дальнейшего улучшения политики VLA. Однако существующие методы VLA-RL, как правило, страдают от задержки и предвзятого распределения кредитов из-за скудных вознаграждений на уровне траектории, в то время как несбалансированное овладение подзадачами создает барьеры, которые ограничивают общую производительность.

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