机器人做一件复杂的事，为什么总是差最后一步就翻车|动作|实验|机器人|翻译|翻车

你有没有见过这样的机器人视频：它熟练地打开冰箱门,精准地夹起一根胡萝卜,稳稳地放进碗里，然后……在关冰箱门的最后一步突然卡住，反复试探，最后干脆放弃了。

这不是段子，这是长时间序列机器人任务里最常见的失败模式。而更让人无奈的是，就算机器人做对了前面九成的动作，只在最后一步翻车，它得到的训练反馈和"从头就没做对"是一模一样的：都是零分。

这篇论文要解决的，正是这个"一步错，全盘零"的问题。

**当机器人任务变长，麻烦就开始了**

先说说这件事到底难在哪。

现在的视觉语言动作模型

VLA模型：一种能把摄像头看到的画面和文字指令，直接翻译成机器人动作指令的AI模型，比如让机器人"把苹果放进碗里"，它就能理解并执行

在处理短任务时表现相当不错，抓个东西、挪个位置，成功率能做到八九成。但一旦任务变长，比如"把洋葱放进碗里，把碗放进微波炉，关上门，按下启动键"，这种需要连续完成四五个有依赖关系的动作的任务，模型的表现就开始明显下滑。

论文里给出了具体数字：在RoboCasa365这个厨房模拟环境的测试里，用GR00T-N1.5这个模型，经过普通的监督微调后，处理短任务（800到1000步）的成功率是51.7%，处理最长任务（1400到2900步）的成功率骤降到27.9%。差了将近一倍。

为什么会这样？因为这类模型通常是靠人类示范数据训练出来的。

监督微调：让模型模仿大量人类操作录像来学习的训练方式，简称SFT

这种训练方式有个天生的弱点，它只见过示范里出现过的那些状态。一旦机器人在实际执行时稍微走偏一点，进入了训练数据里没见过的状态，它就不知道该怎么办了，越走越偏，最后彻底失败。这就像一个只背过标准答案的学生，遇到题目稍微变个说法就完全懵了。

那怎么办？答案是让机器人自己在环境里多试试，用强化学习来纠正它。

强化学习：让模型通过不断尝试和获得奖励反馈来自我改进的训练方法，简称RL

**终点奖励的老问题：不看过程，只看结果**

问题来了：现有的在线强化学习方法，几乎都只在任务彻底成功的那一刻给一次奖励，中间过程什么都不给。

这套逻辑放在短任务上还凑合，反正步骤少，很快就能等到结果。但放到长任务上就出大问题了。

想象一下你在教一个新手做一份需要八道工序的菜。如果你的评价标准是"只要有一道工序做错，这顿饭就是零分"，而不管他前面七道工序做得多漂亮，那这个新手能从你的反馈里学到什么？几乎什么都学不到。他不知道自己是哪一步开始错的，也不知道前面的努力到底有没有价值。如果不给中间反馈，新手很可能永远在原地打转，因为"全对才算数"这个信号太稀疏了，稀疏到几乎捕捉不到任何有用的学习信息。

这就是论文反复强调的核心矛盾：任务越长，成功的完整轨迹越稀少，终点奖励这种信号就越没用。一个做对了七步只错最后一步的机器人，和一个刚开始就走错方向的机器人，得到的反馈完全一样，都是零。这显然不公平，也不利于学习。

一些研究者试着用学习出来的奖励模型来给出更密集的反馈，比如训练一个模型专门去预测"这个动作完成到百分之多少了"。但论文指出了这类方法的一个隐藏漏洞：一个单纯的进度分数,并不能说明这个进度是不是"有效"的进度。

举个例子，如果机器人在还没把物品放进箱子之前就把箱子盖子关上了，这个"关箱子"的动作看起来像是往前推进了任务，但实际上它完全打乱了正确的顺序，这种进度不该被奖励。

**StructRL的做法：把任务拆开，还要排好队**

面对这个问题，研究团队提出了StructRL

StructRL：本论文提出的强化学习框架，核心思路是把长任务拆解成可验证的子任务，并按照依赖关系给出中间奖励

它的思路可以概括成两步：先把一个长任务拆成一串小任务，再给这些小任务排出先后顺序，谁必须先完成谁才能拿到奖励。

具体来说，研究者用一个大语言模型（论文里用的是Claude Opus 4.8）来做任务拆解。给它一句指令，比如"打包午餐"，它会先提出一堆候选的子任务，比如"靠近箱子""打开箱子""加入鸡肉""松开夹爪""关上箱子"，然后对每个候选项做两轮筛选。

第一轮叫可验证性检查，问的是：这个动作完成没完成，能不能用环境里的状态直接、可靠地判断出来？"靠近箱子"就被刷掉了，因为很难给它定一个清晰的"完成"标准，靠近到什么程度算靠近？这个边界模糊不清。

第二轮叫进度检查，问的是：完成这个动作，是不是真的代表任务往前推进了一步？"松开夹爪"就被刷掉了，因为这个动作可能发生在成功的抓取里，也可能发生在一次失败的尝试里，它本身不代表任何有效进展。

经过这两轮筛选留下来的子任务，才会被组织成有先后顺序的"依赖组"。比如"打开箱子"要排在最前面，"加入鸡肉"和"加入苹果"可以随便谁先谁后，但"关上箱子"必须等这两样东西都放进去之后才算数。

这套拆解加排序的逻辑，其实很像老师批改一份需要分步骤的数学题。如果只看最终答案对不对，一个学生哪怕前面所有推导都对、只是最后抄错一个数字，也会被判全错，得不到任何鼓励。但如果老师按步骤给分,先看第一步的公式用对没用对，再看第二步的代入是否正确，学生就能清楚知道自己哪里扎实、哪里需要加强。如果不按步骤给分，那批改这件事本身对学习就没有任何指导意义，学生只会在黑暗里反复试错。StructRL做的正是这件事，把一个大任务拆成一步步可以单独打分的小题。

**光有子任务奖励还不够，还要看快慢**

拆解好任务、排好依赖顺序之后，还有一个问题：每完成一个子任务，该给多少奖励？

如果不管三七二十一，每完成一个子任务就给固定分数，会出现一个隐藏漏洞：机器人可能会在完成一个子任务之后故意拖延，到处瞎晃悠，然后再去完成下一个，因为反正分数是固定的，拖延不扣分。

这就像考试如果只看你答没答对，不看你用了多长时间，那考生完全可以在每道题上磨蹭很久，反正结果一样。这种情况下，评分机制没能真正鼓励高效率的行为，甚至可能纵容拖延。

StructRL的解法叫动态奖励节奏

动态奖励节奏：根据完成子任务所用的时间长短，动态调整该子任务奖励大小的机制，完成得越快，奖励越接近满分

它会参考人类示范数据中完成每个子任务大概需要多长时间，然后用一个公式：机器人实际用的时间和示范时间的比值越小（也就是完成得越快），奖励就越接近设定的上限；拖得越久，奖励就越往下打折。这样一来，机器人不但要"做对"，还要"尽量高效地做对"，磨洋工不再是免费的选择。

这两个机制加在一起，也就是"排队打分"加"看速度打折"，构成了StructRL奖励公式的核心。整套系统最后配合PPO

PPO：一种常用的强化学习优化算法，全称是近端策略优化,通过限制每次更新的幅度来保证训练稳定

来更新机器人的策略网络，让机器人在下一轮尝试里做得更好。

**实验结果：数字说话**

理论说得再好，也得看实际效果。研究团队在两个基准环境上做了测试:RoboCasa365和LIBERO-Long，分别搭配GR00T-N1.5和π0.5两个主流VLA骨架模型。

在RoboCasa365上，用GR00T-N1.5这个模型，普通监督微调的整体成功率是38.6%，当时最强的在线强化学习对手（SimpleVLA-RL）能做到41.5%，而StructRL做到了49.1%，比最强对手高出7.6个百分点。而且在任务最长的那一档（1400到2900步），StructRL的优势更明显，比最强对手高出7个百分点，说明这套方法在长任务上确实更管用，这正好对上了论文要解决的问题。

在LIBERO-Long上，同样用GR00T-N1.5，StructRL达到96.6%的成功率，比最强对手的92.4%高出4.2个百分点。换到π0.5模型上，趋势依然一致，只是幅度略小一些。

研究团队还专门做了一个对照实验，把StructRL和另一种叫Robometer

Robometer：一个基于视觉语言大模型训练出来的通用奖励模型，通过看视频画面来预测任务完成进度

的方法放在同样的训练条件下比较。Robometer代表的是"用学习出来的模型去猜进度"这条路线，而StructRL代表的是"直接用模拟器里可验证的事实去打分"这条路线。结果是StructRL在两个骨架模型上都赢了Robometer，差距分别是2.4和3.2个百分点。这说明,比起让一个模型去"猜"任务完成到哪了，直接用环境里可以验证的硬事实来打分，效果更靠得住，而且还不需要额外训练一个笨重的奖励模型,省了不少计算资源。

研究团队还做了拆分实验，一个一个加上StructRL的各个组件，看每个部分到底贡献了多少。结果显示，光是加上"子任务奖励"这一项，就能把RoboCasa365的整体成功率从41.3%拉到47.4%,这是最大的一块提升。动态奖励节奏又往上加了0.5个点，依赖排序的门槛机制再加1.3个点，最终凑成49.2%。这个结果说明,给出中间反馈这件事本身就是最关键的一步，排序和节奏是在这个基础上的进一步精细化打磨。

有意思的是，研究者还试过把任务拆解得更细，细到把"抓取"这个动作再拆成"靠近""接触""闭合手指""抬起"好几个小步骤。结果发现，拆解密度不是越细越好。当平均每个任务的子任务信号数量从0增加到5左右时，成功率一路上升到50.4%，但如果继续加细，密度涨到52个信号点，成功率反而跌到37.6%，比完全不拆解还差。研究者分析了原因，发现主要是两方面造成的：一是过细的拆解会让奖励信号提前触发，捕捉到的动作还没真正完成任务意图；二是子任务越多，累积的总奖励规模也跟着膨胀，反而稀释了原本清晰的信号。这提醒我们，拆解粒度也需要一个恰到好处的平衡点，不是"越精细越科学"。

**表：RoboCasa365与LIBERO-Long上不同方法的整体成功率对比（GR00T-N1.5骨架）**

| 方法 | RoboCasa365整体成功率 | LIBERO-Long整体成功率 |

| 监督微调（SFT） | 38.6% | 90.6% |

| Sparse-RL | 40.2% | 91.2% |

| SimpleVLA-RL | 41.5% | 92.4% |

| PolicyTrim | 39.8% | 91.4% |

| **StructRL（本文）** | **49.1%** | **96.6%** |

Q&A

Q1：StructRL是什么？

A：StructRL是一个在线强化学习框架，专门用来提升机器人在长时间序列任务上的表现。它把复杂任务拆解成一系列可验证的子任务，并按依赖关系和完成速度给予中间奖励，而不是只在任务全部完成时才给一次反馈。

Q2：StructRL和普通的监督微调有什么区别？

A：监督微调只是让模型模仿人类示范录像，遇到没见过的状态容易出错。StructRL则是让模型在环境里不断尝试，并通过结构化的中间奖励告诉它每一步做得对不对、快不快，从而逐步纠正和优化自己的行为策略。