AtomicRL框架提升机器人长周期操作性能
发生了什么
arXiv cs.CV于2026-10-21发布研究《AtomicRL: Atomic Reinforcement Learning for Long-Horizon Robotic Manipulation》。该框架通过原子任务结构解决机器人操作中的信用分配延迟和偏差问题，并提升长周期技能掌握。引入的Semantic-Aware Policy Optimization (SAPO)和Bottleneck-Adaptive Target Exploration (BATE)技术优化了策略优化和探索。在LIBERO-LONG和CALVIN ABC-D测试中，AtomicRL较PPO分别提升3.6%、4.0%和9.5%的性能，结合Real2Sim2Real流程后，实际任务性能平均提升21.3%
报道与来源
1 篇发布方数量不等于独立核验数量。同稿的多个入口保留在对应报道中。
来源关系与证据边界
按已记录的来源角色展示；连线仅表示原生身份流程确认的同稿入口，不表示独立佐证或跨报道引用。
- 一手材料1 个发布入口