标签
论文提出 Q-Learning with Scalar Adjoint Matching (SQAM)，利用预训练流策略速度雅可比的对角集中特性推导出闭式标量伴随，消除了逐步向量-雅可比乘积开销，在 OGBench 最难的四个域上比最强基线高出 18 到 35 个百分点，并在真实双臂机器人视觉-语言-动作策略微调中优于监督微调。
πR^2 提出了一种面向机器人操作的反应式实时流策略，将条件输入分为快速通道和慢速通道，并采用延迟自适应流调度，使得闭环重规划速度比基线策略快约4倍，成功率最高提升30%。
信任区域Q伴随匹配（TRQAM）通过投影对偶下降自适应控制路径空间KL散度，解决了离线策略强化学习中的不稳定性问题，从而实现对预训练流策略的稳定微调。该方法在50个OGBench任务上持续优于先前方法，在离线强化学习中达到68%的成功率，而最强基线仅为46%。