Prism-GRPO

Prism-GRPO通过质量分数增强VLA策略优化

研究人员开发了Prism-GRPO，一种提高视觉-语言-动作（VLA）策略强化学习效率的新方法。该新方法通过引入加权的轨迹级别执行质量分数来改进GRPO，这有助于保留原本会被丢弃的相同结果组的训练信号。Prism-GRPO在成功率方面取得了显著改进，并减少了所需的机器人回滚次数，同时还减轻了奖励黑客行为，并成功迁移到现实世界的机器人部署中。