盖世具身智能获悉 近日，星尘智能团队发布了在线强化学习框架SmoothRL，由王佳楠担任项目负责人。该框架首次将异步online RL放到真实高动态投掷任务中验证，让在线学习不只处理“最后几毫米”的精度问题，也进入连续加速、精确释放、不能停顿的动态操作，从而解决机器人在连续执行任务过程中，模型异步推理与真实执行动作不一致导致的在线学习复盘偏差问题。

为此，SmoothRL把一段动作分成三部分:前面已经被上一轮动作占用的是Committed Region，中间真正落到机器人身上的是Execution Region，后面还没执行就被新计划替换的是Discarded Region。策略更新只针对真正执行的中间这一段。

团队把这个原则叫做Reinforce in Deployment:机器人真实工作是什么节奏，强化学习就按什么节奏学。

星尘智能团队在Astribot S1机器人上测试了动态投掷、给笔戴帽和开箱三项任务:

动态投掷:39%94%。机器人要把不同位置的物体投进不同位置的目标箱。除了判断方向，还要根据远近调整释放速度，而且整个摆臂过程不能突然停下来。在累计250个rollout episodes的评估节点，成功率从39%提升到94%。

给笔戴帽:8%83%。双臂需要把笔和笔帽准确对齐，允许的相对位姿误差小于5mm。基础策略往往已经到了目标附近，最后几毫米却经常对不上。

开箱:30%90%。机器人要把约1mm宽的刀片插进只有2-3mm宽的箱盖接缝。基础策略存在稳定的左偏，经常直接扎进纸板；在线学习后，最终成功率达到 90%。

在线强化学习后，机器人失败模式发生显著变化。开箱任务的失败样本中，刀片相对接缝的左右偏差缩小到1—2mm；给笔戴帽的失败样本也主要变成正确位置附近的小幅错位。在真实自主投掷rollout中，在线RL后右侧末端执行器的加速度RMS降低52%，jerk降低47%

不过星尘智能表示，SmoothRL当前还存在一定边界，模型推理时间需要控制在预设预算内，而且当前方法主要是在冻结基础策略附近做有限幅度的修正。如果基础策略本身离正确动作太远，轻量RL模块也很难凭空救回来。

但至少在这三个任务里，可以看到一个很直观的范式:基础模型先让机器人学会怎么做，真实世界里的后训练，再把最后几毫米一点点练准。

声明：本网转发此文章，旨在为读者提供更多信息资讯，所涉内容不构成投资、消费建议。文章事实如有疑问，请与有关方核实，文章观点非本网观点，仅供读者参考。