機器之心發(fā)布

機器之心編輯部

在 Physical Intelligence 最新的成果 π0.6 論文里，他們介紹了 π0.6 迭代式強化學(xué)習(xí)的思路

其中有我們熟悉的 Yuke Zhu 的研究，也有他們自己（Chelsea Finn、Sergey Levine）的一些研究，我們之前對這些工作一直有跟蹤和介紹。此外，還有來自國內(nèi)具身智能團隊的工作，比如清華大學(xué)、星動紀(jì)元的研究。隨著 π*0.6 的發(fā)布，VLA+online RL 成為了一個行業(yè)共識的非常有前景的研究方向（深扒了Π*0.6的論文，發(fā)現(xiàn)它不止于真實世界強化學(xué)習(xí)、英偉達也來做VLA在真實世界自我改進的方法了）大語言模型從SFT到RL的發(fā)展方向也逐漸在具身研究中清晰明朗。

一、為什么VLA+RL很重要

圖注：VLA模型依賴研讀微調(diào)

在具身智能（Embodied AI）領(lǐng)域，科學(xué)家們正在嘗試將強大的視覺-語言模型（VLM）應(yīng)用到機器人的底層控制中，這就是所謂的VLA模型。通常，這些模型是通過模仿人類專家的示范數(shù)據(jù)（監(jiān)督微調(diào)，SFT）來學(xué)習(xí)的。

圖注：模仿學(xué)習(xí)的局限

但是，僅靠模仿是不夠的。如果機器人遇到了從未見過的情況，或者專家數(shù)據(jù)不夠完美，機器人就會不知所措。

而正如我們在深扒了Π*0.6的論文，發(fā)現(xiàn)它不止于真實世界強化學(xué)習(xí)所說的，模仿學(xué)習(xí)能讓機器人成功做出動作，但是讓它每次都成功是非常難的。如果想讓機器人非常魯棒、持久的工作，需要借助強化學(xué)習(xí)的力量。相較于離線強化學(xué)習(xí)通常受限于演示數(shù)據(jù)的質(zhì)量，模型很難超越提供數(shù)據(jù)的專家，在線 RL 允許智能體通過試錯來發(fā)現(xiàn)更優(yōu)解

二、強化學(xué)習(xí)應(yīng)用在VLA的三大難點？

圖注：VLA RL的難點

理論上，強化學(xué)習(xí)（RL）可以讓機器人通過與環(huán)境互動、試錯來持續(xù)進步，但是這其實不是一件容易的事情

圖注：LLM和具身在RL上的區(qū)別

將類似 GPT 這樣的大模型與強化學(xué)習(xí)結(jié)合（如 RLHF）在聊天機器人領(lǐng)域非常成功，但在控制物理機器人時卻困難重重：

環(huán)境差異：聊天機器人是在離線數(shù)據(jù)集上訓(xùn)練的，而機器人需要在物理世界中實時探索。物理任務(wù)通常周期長、獎勵稀疏（做完一整套動作才算成功），這使得學(xué)習(xí)非常困難。模型坍塌與不穩(wěn)定性：研究發(fā)現(xiàn)，如果直接對巨大的 VLA 模型（數(shù)十億參數(shù)）進行在線強化學(xué)習(xí)，模型很容易出現(xiàn)“災(zāi)難性遺忘”或訓(xùn)練崩潰，導(dǎo)致性能甚至不如微調(diào)前。算力負(fù)擔(dān)：在本地機器上對幾十億參數(shù)的模型進行全量梯度的強化學(xué)習(xí)更新，對硬件要求極高，通常超出了本地機器人控制器的算力極限。

三、星動紀(jì)元 iRe-VLA 最先突破 VLA 強化學(xué)習(xí)困境，也是 π*0.6 的引用來源

對于VLA的強化學(xué)習(xí)困境，行業(yè)內(nèi)其實有三種類型的解決方案：

第一種：外掛式干預(yù)：一些嘗試不敢輕易觸碰龐大的 VLA 參數(shù)。比如V-GPS (Value-Guided Policy Steering)訓(xùn)練一個通用的價值函數(shù)，在推理時，讓 VLA 生成多個候選動作，用價值函數(shù)對它們進行打分和重排序，選擇最好的動作執(zhí)行；DSRL訓(xùn)練一個小型的 RL 策略來優(yōu)化擴散模型的輸入噪聲，通過改變輸入噪聲來“引導(dǎo)”凍結(jié)的 VLA 生成高價值動作。這種方法雖然安全，但 VLA沒有真正發(fā)生質(zhì)變。第二種：暴力美學(xué)：VLAC為代表的工作嘗試直接用 PPO 等算法全量微調(diào) VLA。雖然勇氣可嘉，但大模型在 RL 訓(xùn)練中極易出現(xiàn)災(zāi)難性遺忘和模型坍塌（Model Collapse），且對算力的要求很高。第三種是從探索到內(nèi)化的循環(huán)。讓我們眼前一亮的是一篇以前沒有跟蹤過的，清華和UC Berkeley的《Improving Vision-Language-Action Model with online Reinforcement Learning》（通過在線強化學(xué)習(xí)改進視覺-語言-動作模型），來自于清華大學(xué)助理教授、星動紀(jì)元創(chuàng)始人陳建宇老師組。星動紀(jì)元這項研究是全球最早將在線RL引入VLA的工作，在ICRA發(fā)表，π*0.6 也引用了該工作，是中美兩方在RL上的頂尖對話。

這兩篇文章代表了第三種路徑。它們不再盲目地套用 RL 算法，而是利用監(jiān)督微調(diào)（SFT）將 RL 探索出的高價值行為（成功軌跡或高優(yōu)勢動作）穩(wěn)定地內(nèi)化為模型的原生能力。

π*0.6 不在此詳細贅述。我們來看下 iRe-VLA。

論文：Improving Vision-Language-Action Model with online Reinforcement Learning論文鏈接：https://arxiv.org/abs/2501.16664

iRe-VLA 的作者設(shè)計了一個兩階段循環(huán)迭代的學(xué)習(xí)流程。這個流程的核心思想是：分而治之，動靜結(jié)合。

星動紀(jì)元：iRe-VLA 模型架構(gòu)設(shè)計

VLA 模型由兩部分組成：

VLM 主干（大腦）：使用預(yù)訓(xùn)練的大型視覺-語言模型（如 BLIP-2），負(fù)責(zé)理解圖像和指令，擁有豐富的世界知識。

Action Head（四肢）：一個輕量級的動作輸出層（由 Token Learner 和 MLP 構(gòu)成），負(fù)責(zé)將 VLM 的深層特征轉(zhuǎn)化為具體的機器人控制信號（如機械臂的移動、夾爪的開合）。

為了提高效率，作者還使用了LoRA（低秩適應(yīng)）技術(shù)，避免全量微調(diào)所有參數(shù)。

圖注：模型架構(gòu)

核心流程：兩個階段的交替

iRe-VLA 方法不是一次性訓(xùn)練，而是在以下兩個階段中反復(fù)迭代：

第一階段：在線強化學(xué)習(xí)（探索與發(fā)現(xiàn)）

圖注：穩(wěn)定探索

在這個階段，機器人的目標(biāo)是去試錯，探索如何完成新任務(wù)。

凍結(jié)大腦（Freeze VLM）：為了防止模型崩潰和減少計算量，作者凍結(jié)了巨大的 VLM 主干參數(shù)。只練四肢（Train Action Head）：僅訓(xùn)練輕量級的 Action Head。同時引入一個Critic Head（評價網(wǎng)絡(luò)）來輔助訓(xùn)練。優(yōu)勢：因為只更新很少的參數(shù)，訓(xùn)練非常穩(wěn)定，而且計算量很小，可以在本地機器（如單張 4090 顯卡）上高效運行。機器人通過不斷嘗試，找到了一些能夠成功完成任務(wù)的軌跡（Success Trajectories）。

第二階段：監(jiān)督學(xué)習(xí)（鞏固與內(nèi)化）

在第一階段，機器人可能只是碰巧學(xué)會了操作，為了讓這種能力真正融入模型，需要進行第二階段。

圖注：融合與升華

全模型微調(diào)：解凍 VLM 主干，對整個模型（包括 LoRA 參數(shù)）進行訓(xùn)練。混合數(shù)據(jù)：訓(xùn)練數(shù)據(jù)不僅包含第一階段探索到的新成功軌跡，還混合了原始的專家示范數(shù)據(jù)。優(yōu)勢：這不僅利用了大模型的強大表達能力來記住新技能，還因為混合了舊數(shù)據(jù)，有效防止了災(zāi)難性遺忘（即學(xué)會了新任務(wù)，忘了舊任務(wù)）。這一步計算量大，通常放在云端服務(wù)器（如 A100 集群）上進行。

圖注：兩階段

總結(jié)：機器人先在“小參數(shù)模式”下大膽探索（階段1），找到方法后，再在“全參數(shù)模式”下把經(jīng)驗固化到大腦中（階段2），如此循環(huán)往復(fù)。

圖注：循環(huán)往復(fù)

三、 實驗結(jié)果與分析

圖注：三種情況的實驗結(jié)果分析

作者在仿真環(huán)境（metaWorld, Franka Kitchen）和真實世界（Panda 機械臂）中進行了大量實驗，驗證了該方法的有效性。

訓(xùn)練穩(wěn)定性對比

實驗顯示，如果使用標(biāo)準(zhǔn)的 PPO 算法直接微調(diào) VLA 模型，成功率曲線震蕩劇烈，甚至在很多任務(wù)上性能下降（變差了）。而 iRe-VLA 的曲線則穩(wěn)步上升，證明了“分階段凍結(jié)參數(shù)”對于穩(wěn)定訓(xùn)練至關(guān)重要。

圖注：曲線對比

仿真環(huán)境表現(xiàn)

圖注：仿真環(huán)境中具備壓倒性優(yōu)勢

metaWorld & Franka Kitchen：在這些基準(zhǔn)測試中，iRe-VLA 不僅在原本學(xué)過的任務(wù)上表現(xiàn)更好（例如從 43% 提升到 83%），還能通過在線探索學(xué)會完全沒見過的任務(wù)。

對比 SFT：相比僅進行監(jiān)督微調(diào)的模型，經(jīng)過 iRe-VLA 迭代后的模型在所有任務(wù)類別（專家任務(wù)、RL 訓(xùn)練任務(wù)、未見過的測試任務(wù)）上的成功率都有顯著提升。

圖注：不同后訓(xùn)練策略的對比

真實世界挑戰(zhàn)（Real-World Panda）

這是最令人印象深刻的部分。作者讓機器人去抓取它從未見過的物體（如形狀不規(guī)則的茄子、胡蘿卜）。

圖注：真實世界的提升

初始狀態(tài)：僅靠專家數(shù)據(jù)（SFT），機器人抓取這些新物體的成功率只有 35% 左右。訓(xùn)練后：經(jīng)過 iRe-VLA 的在線學(xué)習(xí)（利用 SACfD 算法提高樣本效率），抓取成功率飆升到了 80%。泛化能力：更有趣的是，訓(xùn)練后的模型去抓取完全未參與訓(xùn)練的第三類物體，成功率也從 37% 提升到了 61%。這說明通過強化學(xué)習(xí)，模型不僅學(xué)會了抓茄子，還變得更聰明、更通用了。

圖注：實驗和成功率

消融實驗：為什么要解凍 VLM？

作者做了一個對比實驗：如果在第二階段依然凍結(jié) VLM，只訓(xùn)練 Action Head（即 iRe-VLA-freeze），效果如何？

結(jié)果顯示，如果不解凍 VLM，模型的性能提升會遇到瓶頸。這證明了在第二階段解凍大模型參數(shù)是必要的，這樣才能利用大模型深層的特征表示能力來徹底掌握復(fù)雜技能，并提升泛化性。

圖注：消融實驗

四、 結(jié)論與意義

這篇文章提出了一種切實可行的方案，解決了大模型在機器人控制中落地難的問題。

穩(wěn)定性：解決了大模型直接上 RL 容易訓(xùn)崩的問題。經(jīng)濟性：巧妙地分配了算力，讓本地機器人負(fù)責(zé)輕量級探索，云端服務(wù)器負(fù)責(zé)重量級消化，符合實際部署場景。持續(xù)學(xué)習(xí)：證明了機器人可以通過自我探索，在不遺忘舊技能的前提下，不斷掌握新物體和新任務(wù)的操作技能。

圖注：該架構(gòu)的優(yōu)點

國內(nèi)的星動紀(jì)元的iRe-VLA 的基礎(chǔ)上，海外的PI π*0.6，都為我們揭示出了VLA在線強化學(xué)習(xí)技術(shù)的發(fā)展前景。這條路還有很多未盡的研究話題，比如如何高效探索與稀疏獎勵下的新技能學(xué)習(xí)，如何面向大規(guī)模 VLA 構(gòu)造穩(wěn)定可擴展 RL 算法等。

未來發(fā)展，我們拭目以待。