身份、问题与范围
run_id：2026-10-10_221032_robot_learning_study；as_of：2026-10-10T22:10:32+08:00；时区 Asia/Shanghai。后续获取只读截止前固定论文版本，不自动延长材料截止。- 起点：HEAD
3999eee4db1bc81972016e91ea9e3b144e69309d，T04 交付70cf89f已包含；初始git status --short为空。未回退或提交任何改动。 - 初始缺口：① 旧专题列项目但未给训练/部署接口；② “接触难迁移”缺少具体成功条件与失败机制；③ 后训练改善、人工纠正和成本范围未充分对照；④ 代理评测和完整成功容易混淆。
- 取材方式：沿当前专题、T02—T04 与
channels.yaml的 SONIC、Playground、RLinf、HIL-SERL、RoboTwin、SIMPLER 入口定向选文；直接读取 12 项工作的固定 HTML 与 abs 版本历史。无新关键词搜索、无翻页、无全渠道新发布扫描，不推进来源水位；经典工作用于机制，近期版本用于能力边界。不套 90 天窗口。 - 本轮共获取 14 个版本的 HTML/abs（28 个响应）：12 项工作，另含 ASAP v1、STAR v1 的版本核对。正文定向阅读，不声称逐公式/逐附录全文审校。获取时间、响应哈希与阅读范围见回执；不把 HTTP 200 单独算作内容通过。
固定版本与日期
下表发布/修订日期统一使用 arXiv Submission history 的 UTC 日期，精确时间保存在获取回执的历史摘录；与本轮北京时间获取日期分开。修订列记录选用版本日期，不自动证明它首次引入该能力。各项获取于 2026-10-10 +08:00；检索起止见检查文件。
| 工作 / 固定原文 | 首发 UTC | 选用版本日期 UTC | 用途与本轮阅读位置 |
|---|---|---|---|
| SONIC v4 | 2025-11-11 | 2026-08-13 | §2.1/2.5/2.6、§3.2/3.5/3.7、Tables 1/S3/S4；运动接口与真机分母 |
| ASAP v3 | 2025-02-03 | 2025-04-26 | §II/III、§IV-C / Table V、§VIII；新增深入，残差训练/部署位置与硬件限制 |
| Playground v1 | 2025-02-12 | 首发版本 | §II/IV-B/IV-C1、Table I、附录 B/C.4；控制、辨识、接触失败 |
| HIL-SERL v3 | 2024-10-29 | 2025-03-20 | §3.2–3.5、§4.2–4.5、§6、任务附录 Tables 5/10/11；奖励、纠正、控制与成本 |
| RLinf-VLA v3 | 2025-10-08 | 2026-08-12 | §V-D；SFT 起点与真机无成功增益 |
| DRIVE v1 | 2026-10-07 | 首发版本 | §4/5.2/5.3/6、Table 2、附录 E；奖励机制、计数与标定 |
| RoboTwin 2.0 v2 | 2025-06-22 | 2025-08-27 | §4.4 / Table 4；混合数据收益与退步，生成机制复用 T02 |
| STAR v2 | 2026-09-11 | 2026-09-18 | §IV、§V-A/C/D、Tables II/III、§VI；对照 v1 同节，消融条件与零增益 |
| RAPolicy v1 | 2026-09-19 | 首发版本 | §III、§IV-A/C / Table II；共同起点、奖励、回放与预算 |
| RECAP v2 | 2025-11-18 | 2025-11-19 | 定向重读 §VI-C、§VII；价值/advantage conditioning 方法说明复用 T02 §a2 |
| SIMPLER v1 | 2024-05-09 | 首发版本 | §III-B、§IV、§VII；控制/视觉差距与相关指标边界，配对结果背景复用 T02 |
| DreamTrue v1 | 2026-10-08 | 首发版本 | 定向重读 §4.4/5，核对附录 C.2；预测评测机制与分母复用并复核 T03 |
ASAP 初读 v1 后按历史切换至 v3；采用 v3 定位，不将 v1→v3 解释为本轮新技术进展。STAR v2 在北京时间 09-19 00:43:17 提交；其 §V-C 明确消融变体独立训练，均先用完整 200 小时数据训练策略，再用每任务 100 条轨迹适配，组件在前一阶段即移除/替换。对照 v1/v2 的 §IV–VI，Tables II/III 数值不变；本轮新增的是实验条件的明确性，不声称 9 月修订带来新的成功率。T04 的 v1 快照仍有效，无历史事实更正或报告重建内容需求。
运动、控制与迁移证据矩阵
| 问题 / 原文位置 | 训练和部署条件 / 基线 | 指标、分母、收益 | 成本与限制 / 目标节点 |
|---|---|---|---|
| 运动模仿是否等于 BC？SONIC §3.2、Tables S3/S4 | Isaac Lab 中 PPO 优化参考身体姿态/速度误差、动作平滑等奖励，并联合表示学习；critic 可见训练专用状态，actor 用本体历史和运动命令。G1 策略输出关节目标交给 PD | 这是奖励驱动的运动模仿。§2.1/3.7 真机 124 段动作各一次，123 完成；不是任务或长期存活统计 | T02 已核运动数据/算力，本轮不重算训练成本。§2.6 极端动作仍会失稳、长期安全/能耗未正式处理。RES、K03.01.01、K04.04.01 |
| 跟踪怎样连到任务？SONIC §2.5 / Table 1、补充 S1.4 | GR00T N1.5 用遥操作任务示范微调；全身动作是 64 维 token＋14 维手关节，非直接复制人的关节角；苹果任务另用 3-point 接口 | 开桶 7/10，汽水入桶 6/10。Table 1(A) 对应 200 与 1,000 条轨迹；补充另提 150 条单物体汽水轨迹，不能把 1,000 当完整人工成本。pickup 两变体共用策略，五任务均值非六行均值 | 参考、遥操作与自主任务分别验收。每项 10–20 次不是长期运行；不从局部消融推整个系统单因素因果。RES、K04.04.01；K01.06 已覆盖 |
| 真机残差在哪起作用？ASAP §III-A–D、§IV-C / Table V、§VIII | 真实动捕＋本体数据训练 delta action；冻结它以修正仿真，再微调原跟踪策略；真实部署不带 delta。实际 G1 固定腕、4 DoF 踝残差；与不微调 Vanilla 对照 | Table V 两动作的全局位置误差 E_g-mpjpe：Kick 61.2→50.2 mm，LeBron/OOD 159→112 mm。是跟踪误差而非任务成功率，不跨工作比较 | §IV-C 报 100 motion clips 用于 4 DoF 学习，另述五动作各执行 30 次和 10 分钟 locomotion；原文未给这些集合逐项映射，不相加成“总数据”。全 23 DoF 的 >400 clips 需求来自仿真；采集期间两台 G1 有硬件损坏，依赖动捕。RES、K02.08、K04.04.01 |
| 有接触也能迁移吗？Playground §IV-C1 / Table I、附录 C.4 | LEAP 手、7 cm 方块、单 D415 位姿估计、20 Hz 策略。仿真随机化质量/摩擦/增益/传感；真实执行器辨识，再加位姿异常与力矩限制课程 | 10 次运行连续成功旋转次数：3,27,8,2,15,3,4,1,3,5；中位数 3.5、均值 7.1。分母是运行次数，指标不是单次旋转成功率 | 论文报训练 30 分钟、2×RTX 4090，不含搭建/辨识/调参总人工。卡块与柔性互锁是实测失败；相机覆盖和碰撞几何改进是作者建议，未作为已验证修复。RES、K04.05、K02.08 |
ASAP 的 SysID/DR/DeltaDynamics 大规模对照主要在 sim-to-sim Tables III/IV；Table V 真机只和 Vanilla 比。本轮不把仿真对照写成所有方法的真机排名。 领域随机化提高预设误差范围内的容忍性、SysID 拟合参数、残差拟合剩余偏差，这是对上述机制的综合；没有哪一项自动解决新物体语义、遮挡或未建模接触。
操作、接触与正反对照矩阵
| 问题 / 原文位置 | 训练和部署条件 / 基线 | 指标、分母、收益或反例 | 成本、归因与目标节点 |
|---|---|---|---|
| 仿真奖励改动能改善真机吗？DRIVE §4/5.3、Table 2、附录 E | PiPER-X 双臂匹配的仿真专家轨迹做共同 SFT；Vanilla RFT 与 DRIVE 分别仿真 RL。组内 VLM 特征以 GAK 对齐时间，奖励成功轨迹的多样性 | 每任务×条件×方法 20 次；两任务三种 OOD 总共 120 次，按表折算 77→88 成功；按铃 Lighting 两组均 13/20。8 个条件含 clean，7 升、1 平 | 每臂 48 个标定姿态；URDF 腕相机外参不重复套手眼变换；几何、视角、光照需匹配。额外 GAK/VLM 计算；无统一总人工、逐次日志或完整 checkpoint 身份。RES、K03.01.01、K02.08 |
| RL 是否必然提高完整成功？RLinf-VLA §V-D | OpenVLA；20 真机示范＋1,000 仿真轨迹训练 SFT，RL 从此起点在仿真后训练；相机与机械臂配置匹配 | SFT 与 RL 真机关抽屉均 8/10。作者观察动作更直接/流畅，不将定性描述写成量化时间收益 | 单任务小样本；训练吞吐加速是另一指标，预算不与 DRIVE 相同。RES、K03.01.01；K09.01 已覆盖 |
| 合成轨迹收益是否均匀？RoboTwin §4.4 / Table 4 | RDT、COBOT-Magic；四任务，10 条干净真实示范，对照加入 1,000 条随机化合成轨迹及仅合成；相机位移扰动≤1 cm | 未见背景＋杂物四任务平均 9%→42%，+33 个百分点；已见干净 Click Bell 36%→24%，已见杂乱 Handover Block 16%→12%。每单元试次数未披露，不倒推 | 同时增加数据量和随机化覆盖，只能归因整套数据方案；不是 RL 对照，不是最优混合比。RES、K02.08；K04.05 已覆盖 |
| 触觉提升哪种指标？STAR v2 §V-A/C/D、Table III、§VI | π0.5 基础的双臂灵巧策略；200 小时数据预训练＋每任务100轨迹适配；共同初始配置、每方法每任务20次。对比完整训练与 w/o T，不混作推理 mask T | 取书 SR 0.55→0.55（按20次折算均11/20），TCR 0.71→0.83；耳机 SR 0.35→0.65（7/20→13/20）。TCR 分母是子任务，不能转成额外成功 episodes | 传感器覆盖不足/视觉与触觉取舍是作者解释，非排他的因果识别。v2 补训练控制说明；未来触觉预测消融的间隔和最大时间跨度同时变化，不能归因某一项。RES、K04.05 |
DRIVE 完整真机表及折算保留在 T03 §change-drive，本轮回读原表复算，不复制全部单元。77/120=64.166…%，88/120=73.333…%，差值约9.17个百分点；论文正文64.1%与普通四舍五入有细差，继续采用“按表折算计数”。§5.3/附录 E 内文误指 Table 6，以表题 Real-world success rates (%) over 20 trials per task-condition pair / Table 2 定位。无逐次日志，不宣称显著性。
刚体抓放、行走、接触丰富/柔性、移动操作/长任务的任务比较是本文的机制综合：SONIC/Playground 支持密集目标和控制接口，HIL-SERL 支持观测、稀疏奖励、接管和重置，RoboTwin/DRIVE 支持资产与视觉覆盖条件。它不是四类任务的等预算实验；本轮没有足够证据给柔性仿真与真机学习做总体优劣排序。
后训练与人工成本矩阵
| 问题 / 原文位置 | 更新机制、接口及共同条件 | 对照结果 / 分母 | 人工、预算与边界 |
|---|---|---|---|
| RL 比纠正模仿多了什么？HIL-SERL §3.2–3.5、§4.3/4.5、Table 1 | 图像＋本体及任务特定力观测；示范/RL buffer 等比例采样，用 RLPD 学价值和策略。接管数据进入两 buffer，自主转移只进 RL buffer；多数任务用成功分类器，接触控制用 reference-limited impedance | HG-DAgger 对照匹配初始示范、episode 数，尽量匹配每 episode 的干预次数；大部分任务 n=100，整套 IKEA 组装 n=10。§4.5 增至200示范但没有在线纠正的 SERL 在仪表板组装为0%；只能说明该协议条件 | 奖励分类器常先收200正/1,000负图像，还可能补假阳/假阴样本；通常20–30初始示范，任务例外。训练时间含脚本、rollout、预定停顿与机上计算，但不等于全部准备/人工小时。目标 RES、K03.01.01、K04.05 |
| 柔性/动态技能是否同一种人在回路？HIL-SERL §4.2、任务附录 Tables 5/10/11 | 线缆夹入：6D twist＋夹爪、图像/本体/力；皮带装配：12D twist＋夹爪；均需人工重置。甩鞭：3维前馈 wrench、30示范、人工终局奖励，不做实时纠正 | 受控柔性/接触技能已有真实成功证据；完整组装则脚本衔接且每子策略最多两次尝试，不能写成长任务自主规划 | §6 未做广泛随机化与非结构环境泛化，长时域样本复杂度仍受限。力反馈改善可观测性、阻抗控制约束探索后果；本轮未声称单独拆出各模块贡献 |
| 近期 VLA 在线改进是否有共同起点？RAPolicy §III、§IV-A/C、Table II | Franka Research 3，腕/第三视角RGB；共享π0.5，五任务每项30示范共150；奖励成功10否则0；回放包含自主与人工纠正动作块，以价值优化和回放约束更新，actor/learner异步 | Table II最终每项10次，SFT26/50、HG-DAgger35/50、RAPolicy44/50；Green Block 三组10/10，反向堆叠 HG-DAgger 与 RAPolicy 均6/10，联合提升不等于逐项改善 | 远端8×RTX3090（1 rollout、7训练）；在线阶段120分钟不等于示范/重置/监护总人工。摘要10示范及Table I每项20次属单任务，禁止混入。整套方法比较，不能把差值单归因“异步”或某损失。RES、K03.01.01 |
| 有真实经验是否必须实时更新？RECAP §VI-C、§VII；方法复用T02 §a2 | 收集一批自主与纠正轨迹→价值与advantage conditioning→离线更新；叠T恤一项迭代实验不用新增纠正，装箱则有纠正 | §VI-C指标为成功任务/小时与完整成功；前者同时含速度，不是训练帧吞吐。本轮不新增跨工作定量比较 | §VII明确奖励标注、介入和重置仍用人；批次更新不是持续在线RL。“有实验无接管”不等于系统免人工。RES；K02.07已覆盖 |
USER 的 π0 采用 HG-DAgger、CNN/flow 采用不同 RL 算法的分类，复用 T02 §a1（2602.07837v4 §III–V / Tables II–V），本轮未重取 USER 全文。不将“所有后训练”统称 RL，也不把人提供重置叫作奖励学习。
代理评测与更强结论的边界
| 原文 / 问题 | 可支持的证据 | 不能支持 / 目标节点 |
|---|---|---|
| SIMPLER v1 §III-B、§IV、§VII | 离线真机轨迹做控制参数辨识，结合视觉匹配/variant aggregation，在配对设置检查相对策略表现；Pearson与MMRV分别看相关性和按真机分差加权的错序 | 不要求绝对成功率一一对应；相关性不是迁移保证。刚体、固定相机、人工建场景；新任务须重新配对。作者含模型相关团队，不是完全独立审计。RES、K09.03.01 |
| DreamTrue v1 §4.4、附录 C.2 / Table 10、§5 | 三RoboTwin任务×两配置×10场景×四策略=240条已执行仿真轨迹，给定初始观测和完整动作序列预测视频，再盲评结果；24个任务×策略×配置的成功率误差，MAE 12.92→7.08个百分点，Spearman 0.937（详细协议复用T03） | 不是策略在预测观测中闭环重规划，不是真机迁移收益；图像空间奖励可能奖励视觉合理而物理错误的接触。RES、K09.03.01 |
| STAR Table III / SONIC Table 1 | 步骤完成、参考跟踪及完整任务各有定义 | 取书TCR改善但SR相同，明确属于“指标改善不足以支持更强结论”；没有独立复现不是负实验 |
DreamTrue 视频缺陷盲评、反事实方法与开放清单复用 T03 §change-dreamtrue，本轮只为策略结果预测重读，不声称再次审核所有视频标注或仓库。T04 的基准审计、SoftVTBench、Behavior-Skill/REBOOT 保持原深度，入口见 T04 证据索引及能力评测；本文不新增其数值结论。
开放状态、复用及未核查范围
本轮核心结论来自固定作者论文，没有新增开放配套或独立复现的认定。代码/模型快照复用下列已有核查，未重读当前 README、未下载权重，不用当前分支解释旧实验：
- T02 §c1：GEAR-SONIC 模型卡
6733128a3d8a523b1418b06bca3cdf61c8b0987f，代码 READMEb042411fae38ee4d1af9aac82a37a1f8d14d6dd0。模型卡修改时点2026-08-26不是首发；News低延迟版06-16、v1.1为07-23；80/200ms是参考前视，论文50Hz策略与500Hz命令写入分开。 - T02 §a1/a2：RLinf README
0067f7d5ce525c18bda439ed8dbb638abafd6a06；openpi215abfb217dbac7d5f1273282331b9b1866c0479未确认 RECAP 完整配套。 - T03 §change-dreamtrue：DreamTrue
991e2963c015be9c5b7f21695bb82bfaaceffed8文档不含完整生成器训练配套，数据页原有空壳访问缺口未在本轮重试。 - T02 §c2：Playground 论文v1与工程v0.2.0分开；不把论文早期后端开销限制推广到所有当前后端。
未新增读取 ForceRFT、BeyondMimic、UniPoint、VioLA、LocoWM、DiagGen 或全部 T04 候选。LocoWM/DiagGen 等摘要线索未升级为机制依据；不因未选而判定其无价值。物理仿真与学习式世界模型的深入比较仍链接已有专题，不另开正文。
判断形成、回写与集中缺口
| 原有表达 / 缺口 | 本轮结论与处置 |
|---|---|
| 旧专题“ASAP 使用真机校正”未定位适配环节 | 明确残差校正训练仿真、部署移除；真机4 DoF踝部与sim-to-sim全身对照分开。新增机制与成本边界，不推广泛机器人适用性 |
| 项目入口无法解释“运动模仿＋RL＋VLA” | 增加训练—部署—执行对照；SONIC的奖励、运动token、PD与任务微调分开；WBC为概念分工，不等于某算法 |
| “触觉有时无收益”缺少可比较例子 | STAR采用v2共同训练说明及Table III；区分取书SR持平/TCR上升、耳机SR提升与推理mask消融。未改写历史v1报告 |
| 仿真后训练/真机学习似可统一比较 | 将DRIVE/RLinf/RoboTwin的不同同条件对照并列，但不跨文排名；HIL-SERL/RAPolicy/RECAP分清奖励、更新节奏、纠正与预算 |
| 代理好看/预测好似乎即可代替真机 | SIMPLER与DreamTrue区分相关、预测误差、闭环成功；K09.03.01补短结论与专题入口 |
回写 K03.01.01、K04.04.01、K02.08、K04.05、K09.03.01 五卡：优先综合替换原长案例和“证据补充”，保留少量结论及深入链接；所有维护日仍为实际日期2026-10-10。K01.06、K02.07、K09.01定义/成本/评测已覆盖，不机械刷新。专题目录补一句阅读说明；RES-ROBOT-LEARNING、parent=K03.01.01、既有显示顺序、全部关系保持不变。
关系复核：专题到locomotion/仿真/操作三条概念关联、五卡已有出边的语义和方向均仍适用；没有事实需要升级成公开资料关系，不造新边。全部知识节点的ID/parent/display_order/relations与HEAD程序比较，结果见检查。正文引用不必新增关系。
集中缺口：① 计入设置、奖励标注、重置和硬件损耗的共同总预算；② 柔性、新本体、长任务的失败分布与完整迁移；③ 撤掉真机适配/传感组件的独立消融及新策略上的代理评测校准。它们限制外推，不是本轮未完成四组研究问题，也不是安排实验任务。
完成检查见本轮检查。本轮不接通T06，不将专题文献研究计作两次独立周期更新试运行；没有对外发布、训练、仿真运行或真机实验。