浙大联合TeleAI提出GR-BC：从多次试错中找更优示范路径
CoRL2026|浙大联合TeleAI提出GR-BC，用图搜索从机器人试错...
拿螺丝刀把螺丝拧紧，这事听上去不难。可真上手，常常得挪一点、转一点、退出来再重新对齐。换成遥操作机器人来采数据，过程更磨人。就算是熟练得像“大国工匠”的数采员，碰上精度要求极高的任务，也未必能一次交出全程都够顺的示范。一条最后成功的轨迹里，可能夹着好几回无效调整；而一条因为超时或碰撞而失败的尝试，当中反倒有几步对得很准。
问题就落到视觉语言动作模型的后训练上：数采员自己都难采出近乎完美的轨迹，机器人该学什么样的经验？
浙江大学沈春华团队与中国电信人工智能研究院（TeleAI）& 伽马智能白辰甲团队围绕这个问题，提出了 Graph-Reweighted Behavior Cloning（GR-BC）。
他们想到的是另一种可能：更好的成功路径不一定完整地存在于某一次示范里，倒可能藏在多次尝试彼此的连接关系当中。把这些经验归到同一张图上，能不能先在图的“脑海”里搜出一条更优的路，再让这张图当裁判，去指导机器人学那些值得模仿的动作？
目前这项工作已被 CORL 2026 接收，论文和代码均已公开。
-
论文标题：Graph-Reweighted Behavior Cloning with Human Interventions for Precise Robotic Manipulation
-
论文链接：https://arxiv.org/pdf/2610.20504
-
项目主页：https://gr-bc.github.io
-
代码链接：https://github.com/Gamma-Robot/GR-BC
这套方法的核心思路分两步：先在经验图里检索当前进度，再据此调整各动作的权重。
第一步是把零散的试错经验串成一张图。
判断某个动作好不好，前提是知道机器人离任务完成还差多少。团队注意到，精细操作里的进度很看重任务内部的相对关系。把同一任务的多次尝试摆到一起，借助彼此间的关联，进度的判断就有了更具体的参照。
节点由冻结的 MCR（manipulation-centric representation）视觉编码器提取三个相机视角的表征，再与夹爪状态合并编码而成。
图里的边分两类。时间边把同一条轨迹上按固定间隔采样的相邻节点连起来，其代价为跨过的帧数，所以图上的距离直接对应物理时间。
另一类是相似边，作用是把彼此独立的轨迹接上，要同时满足三个条件：各相机视角中互为 K 近邻、夹爪状态相同、按局部尺度归一化后的距离低于阈值。所谓局部尺度，取的是该节点相邻一次转移的视觉距离，这样一来，阈值在不同任务、不同视角下就有了统一的物理含义。
第二步，从成功终点往回搜。
GR-BC 的灵感来自强化学习里的 cost-to-go 与图搜索，思路是把「进度」换成另一个问题：站在当前状态，顺着已有数据撑得住的路径走，离成功还差几步？图搭好之后，算法从成功终点倒着跑一遍 Dijkstra，算出每个状态到成功的最小图路径代价，记作剩余步数。搜索只落在稀疏的节点上，再用线性插值铺到每一帧，好跟 VLA 的稠密监督对上。
图 3｜螺钉拧紧与显卡插装两个任务里，动作、图检索进度和权重的对应变化。
第三步，净进展和中途回退要一起查。
剩余步数被折算成 0—1 的图检索进度（GRP）。一个动作块得同时过两道关：净进展要超过阈值，相对起点的最大回退也不能越界。过了关的拿到带上下界的正权重，没过的一律记零。
公式 1｜动作块权重规则，截自论文第 6 页式（8）。
其中 Δ 是终点相对起点的净进展，d 是起点进度减去块内最低进度。权重直接乘在原来的 VLA 监督损失上，架构不用动；零权重片段不产生梯度，对应状态照样留在图里。GR-BC 想做到的是：没有外界干扰时，策略能把精细操作顺顺当当地做完；有外界干扰时，策略自己调整，把恢复能力拿出来。
每一轮跑完，系统就把新采到的成功轨迹、失败轨迹以及带介入的轨迹一并投进数据池。随后扩展图结构、重新做搜索、更新权重，再进入离线阶段训练下一轮策略。旧片段的学习价值也会被新经验重新改写，整个过程不需要额外训练奖励模型或进度预测器。
真机实验选了四类精细操作：四孔零件装配、显卡插装、双螺钉拧紧和内存条插装。DDR4 插槽的开口只有约 1 毫米，对位置和姿态对齐的要求更严。这四项任务上的平均成功率约为 91%。
主实验的骨干换成 X-VLA，各方法都从同一个行为克隆检查点起步。GR-BC 在四孔零件装配、显卡插装、双螺钉拧紧和内存条插装上最终成功率分别为 98%、93%、89% 和 83%，均值约 91%；类 DAgger 等权聚合基线只有 64%，两者相差约 27 个百分点。
显卡插装另有单独实验，覆盖了 SmolVLA 与 π₀.₅ 两种骨干，GR-BC 都跑赢各自对应的类 DAgger 基线，说明这套方法在该任务上不挑骨干。前面提到的 91% 只对应 X-VLA 的四任务结果。
评测围绕一个问题展开：成功轨迹里出现的退步，能不能被发现？表 1 列出进度评测与输入条件，其中 GRP 属于图内诊断，截自论文第 7 页。
图 8 显示，遇到局部偏离、重新定向或滑脱时，GRP 给出的进度信号会往下掉。
每项任务固定取 30 条成功轨迹、30 条失败轨迹做评测。四任务汇总下来，GRP 的成功—失败终点进度差为 0.97，局部偏离检出比例为 0.92。成败能分开，成功过程中的退步也能抓住。
总结与展望
真机数据来得并不轻松。一次插入、一轮对齐、一段人工纠正，背后都是设备在跑，也是人在花时间。要让数采员事先交出一条几乎完美的完整示范，往往得反复重试，许多局部有效的经验还可能被一起丢掉。
GR-BC 的做法是让多次不完美尝试里的有效经验都派上用场。预训练数据清洗、后训练数据质量优化、按任务进度判断数据是否达标，都能从中借力。它把分散的经验连起来，识别出有效的动作片段，数据价值的判断也从整条轨迹的成败，落到局部动作到底贡献了什么。放到工业界的毫米级插接、装配等精细操作上，这一思路也有望帮策略学习纠正偏差、从受挫中恢复，支撑更鲁棒的机器人操作。
作者团队简介
论文一作是李小满，来自浙江大学 CAD&CG 国家重点实验室，在 TeleAI（中国电信人工智能研究院）实习时参与了这项研究。该工作由浙江大学、TeleAI、伽马智能等机构一同完成。
