ITBEAR科技资讯
2025-12-12
在 Physical Intelligence 最新的成果 π0.6 论文里，他们介绍了 π0.6 迭代式强化学习的思路来源：
其中有我们熟悉的 Yuke Zhu 的研究，也有他们自己（Chelsea Finn、Sergey Levine）的一些研究，我们之前对这些工作一直有跟踪和介绍。此外，还有来自国内具身智能团队的工作，比如清华大学、星动纪元的研究。随着 π*0.6 的发布，VLA+online RL 成为了一个行业共识的非常有前景的研究方向（深扒了Π*0.6的论文，发现它不止于真实世界强化学习、英伟达也来做VLA在真实世界自我改进的方法了）大语言模型从SFT到RL的发展方向也逐渐在具身研究中清晰明朗。
一、为什么VLA+RL很重要
图注：VLA模型依赖研读微调
在具身智能（Embodied AI）领域，科学家们正在尝试将强大的视觉-语言模型（VLM）应用到机器人的底层控制中，这就是所谓的VLA模型。通常，这些模型是通过模仿人类专家的示范数据（监督微调，SFT）来学习的。
图注：模仿学习的局限
但是，仅靠模仿是不够的。如果机器人遇到了从未见过的情况，或者专家数据不够完美，机器人就会不知所措。
而正如我们在深扒了Π*0.6的论文，发现它不止于真实世界强化学习所说的，模仿学习能让机器人成功做出动作，但是让它每次都成功是非常难的。如果想让机器人非常鲁棒、持久的工作，需要借助强化学习的力量。相较于离线强化学习通常受限于演示数据的质量，模型很难超越提供数据的专家，在线 RL 允许智能体通过试错来发现更优解。
二、强化学习应用在VLA的三大难点？
图注：VLA RL的难点
理论上，强化学习（RL）可以让机器人通过与环境互动、试错来持续进步，但是这其实不是一件容易的事情。
图注：LLM和具身在RL上的区别
将类似 GPT 这样的大模型与强化学习结合（如 RLHF）在聊天机器人领域非常成功，但在控制物理机器人时却困难重重：
环境差异：聊天机器人是在离线数据集上训练的，而机器人需要在物理世界中实时探索。物理任务通常周期长、奖励稀疏（做完一整套动作才算成功），这使得学习非常困难。
模型坍塌与不稳定性：研究发现，如果直接对巨大的 VLA 模型（数十亿参数）进行在线强化学习，模型很容易出现“灾难性遗忘”或训练崩溃，导致性能甚至不如微调前。
算力负担：在本地机器上对几十亿参数的模型进行全量梯度的强化学习更新，对硬件要求极高，通常超出了本地机器人控制器的算力极限。
三、星动纪元 iRe-VLA 最先突破 VLA 强化学习困境，也是 π*0.6 的引用来源
对于VLA的强化学习困境，行业内其实有三种类型的解决方案：
第一种：外挂式干预：一些尝试不敢轻易触碰庞大的 VLA 参数。比如V-GPS (Value-Guided Policy Steering)训练一个通用的价值函数，在推理时，让 VLA 生成多个候选动作，用价值函数对它们进行打分和重排序，选择最好的动作执行；DSRL训练一个小型的 RL 策略来优化扩散模型的输入噪声，通过改变输入噪声来“引导”冻结的 VLA 生成高价值动作。这种方法虽然安全，但 VLA没有真正发生质变。
第二种：暴力美学：以 VLAC 为代表的工作尝试直接用 PPO 等算法全量微调 VLA。虽然勇气可嘉，但大模型在 RL 训练中极易出现灾难性遗忘和模型坍塌（Model Collapse），且对算力的要求很高。
第三种是从探索到内化的循环。让我们眼前一亮的是一篇以前没有跟踪过的，清华和UC Berkeley的《Improving Vision-Language-Action Model with online Reinforcement Learning》（通过在线强化学习改进视觉-语言-动作模型），来自于清华大学助理教授、星动纪元创始人陈建宇老师组。星动纪元这项研究是全球最早将在线RL引入VLA的工作，在ICRA发表，π*0.6 也引用了该工作，是中美两方在RL上的顶尖对话。
这两篇文章代表了第三种路径。它们不再盲目地套用 RL 算法，而是利用监督微调（SFT）将 RL 探索出的高价值行为（成功轨迹或高优势动作）稳定地内化为模型的原生能力。
π*0.6 不在此详细赘述。我们来看下 iRe-VLA。
论文：Improving Vision-Language-Action Model with online Reinforcement Learning
论文链接：https://arxiv.org/abs/2501.16664
iRe-VLA 的作者设计了一个两阶段循环迭代的学习流程。这个流程的核心思想是：分而治之，动静结合。
星动纪元：iRe-VLA 模型架构设计
VLA 模型由两部分组成：
VLM 主干（大脑）：使用预训练的大型视觉-语言模型（如 BLIP-2），负责理解图像和指令，拥有丰富的世界知识。
Action Head（四肢）：一个轻量级的动作输出层（由 Token Learner 和 MLP 构成），负责将 VLM 的深层特征转化为具体的机器人控制信号（如机械臂的移动、夹爪的开合）。
为了提高效率，作者还使用了 LoRA（低秩适应）技术，避免全量微调所有参数。
图注：模型架构
核心流程：两个阶段的交替
iRe-VLA 方法不是一次性训练，而是在以下两个阶段中反复迭代：
第一阶段：在线强化学习（探索与发现）
图注：稳定探索
在这个阶段，机器人的目标是去试错，探索如何完成新任务。
冻结大脑（Freeze VLM）：为了防止模型崩溃和减少计算量，作者冻结了巨大的 VLM 主干参数。
只练四肢（Train Action Head）：仅训练轻量级的 Action Head。同时引入一个Critic Head（评价网络）来辅助训练。
优势：因为只更新很少的参数，训练非常稳定，而且计算量很小，可以在本地机器（如单张 4090 显卡）上高效运行。机器人通过不断尝试，找到了一些能够成功完成任务的轨迹（Success Trajectories）。
第二阶段：监督学习（巩固与内化）
在第一阶段，机器人可能只是碰巧学会了操作，为了让这种能力真正融入模型，需要进行第二阶段。
图注：融合与升华
全模型微调：解冻 VLM 主干，对整个模型（包括 LoRA 参数）进行训练。
混合数据：训练数据不仅包含第一阶段探索到的新成功轨迹，还混合了原始的专家示范数据。
优势：这不仅利用了大模型的强大表达能力来记住新技能，还因为混合了旧数据，有效防止了灾难性遗忘（即学会了新任务，忘了旧任务）。这一步计算量大，通常放在云端服务器（如 A100 集群）上进行。
图注：两阶段
总结：机器人先在“小参数模式”下大胆探索（阶段1），找到方法后，再在“全参数模式”下把经验固化到大脑中（阶段2），如此循环往复。
图注：循环往复
四、 实验结果与分析
图注：三种情况的实验结果分析
作者在仿真环境（metaWorld, Franka Kitchen）和真实世界（Panda 机械臂）中进行了大量实验，验证了该方法的有效性。
训练稳定性对比
实验显示，如果使用标准的 PPO 算法直接微调 VLA 模型，成功率曲线震荡剧烈，甚至在很多任务上性能下降（变差了）。而 iRe-VLA 的曲线则稳步上升，证明了“分阶段冻结参数”对于稳定训练至关重要。
图注：曲线对比
仿真环境表现
图注：仿真环境中具备压倒性优势
metaWorld & Franka Kitchen：在这些基准测试中，iRe-VLA 不仅在原本学过的任务上表现更好（例如从 43% 提升到 83%），还能通过在线探索学会完全没见过的任务。
对比 SFT：相比仅进行监督微调的模型，经过 iRe-VLA 迭代后的模型在所有任务类别（专家任务、RL 训练任务、未见过的测试任务）上的成功率都有显著提升。
图注：不同后训练策略的对比
真实世界挑战（Real-World Panda）
这是最令人印象深刻的部分。作者让机器人去抓取它从未见过的物体（如形状不规则的茄子、胡萝卜）。
图注：真实世界的提升
初始状态：仅靠专家数据（SFT），机器人抓取这些新物体的成功率只有 35% 左右。
训练后：经过 iRe-VLA 的在线学习（利用 SACfD 算法提高样本效率），抓取成功率飙升到了 80%。
泛化能力：更有趣的是，训练后的模型去抓取完全未参与训练的第三类物体，成功率也从 37% 提升到了 61%。这说明通过强化学习，模型不仅学会了抓茄子，还变得更聪明、更通用了。
图注：实验和成功率
消融实验：为什么要解冻 VLM？
作者做了一个对比实验：如果在第二阶段依然冻结 VLM，只训练 Action Head（即 iRe-VLA-freeze），效果如何？
结果显示，如果不解冻 VLM，模型的性能提升会遇到瓶颈。这证明了在第二阶段解冻大模型参数是必要的，这样才能利用大模型深层的特征表示能力来彻底掌握复杂技能，并提升泛化性。
图注：消融实验
五、 结论与意义
这篇文章提出了一种切实可行的方案，解决了大模型在机器人控制中落地难的问题。
稳定性：解决了大模型直接上 RL 容易训崩的问题。
经济性：巧妙地分配了算力，让本地机器人负责轻量级探索，云端服务器负责重量级消化，符合实际部署场景。
持续学习：证明了机器人可以通过自我探索，在不遗忘旧技能的前提下，不断掌握新物体和新任务的操作技能。
图注：该架构的优点
国内的星动纪元的iRe-VLA 的基础上，海外的PI π*0.6，都为我们揭示出了VLA在线强化学习技术的发展前景。这条路还有很多未尽的研究话题，比如如何高效探索与稀疏奖励下的新技能学习，如何面向大规模 VLA 构造稳定可扩展 RL 算法等。
未来发展，我们拭目以待。
