CoRL 2026｜浙大联合TeleAI提出GR-BC，用图搜索从机器人试错中找出有效动作

用螺丝刀拧紧螺丝，听起来并不复杂。

但真正动手时，往往还要挪一点、转一点、退出来，再重新对齐。换成遥操作机器人采集数据，这个过程只会更考验耐心。即使是 “大国工匠” 般熟练的数采员，面对精细度要求极高的任务，也未必能一次交出从头到尾都足够丝滑的示范。一条最终成功的轨迹里，可能包含多次无效调整；一条最终因超时或碰撞而失败的尝试中，却也可能有几步对齐做得很好。

这给视觉语言动作模型的后训练提出了一个问题：如果数采员自己都很难采出一条近乎完美的轨迹，机器人应该向什么样的经验学习？

浙江大学沈春华团队联合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）。

团队考虑的是另一种可能：一条更好的成功路径，未必完整存在于某一次示范中，却可能隐藏在多次尝试之间的连接关系里。把这些经验放进同一张图，能否先在图的 “脑海” 里找到一条更好的路，再由图担任裁判，指导机器人学习值得模仿的动作？

目前，该工作已被 CORL 2026 接收，论文与代码已公开。

• 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

视频链接：https://mp.weixin.qq.com/s/P94V9SbLXk4G7QhWGowP1A

核心方法：用图检索进度，再为动作加权

图 1｜GR-BC：构图、反向搜索、加权训练与新轨迹回流。

第一步：把分散经验连接起来

要评判一个动作好不好，首先需要知道，机器人当前距离任务完成还有多远。团队观察发现：精细任务中的进度，具有很强的任务内相对性。把同一任务的多次尝试放在一起，利用它们之间的联系，可以为进度判断提供更具体的依据。

GR-BC 使用冻结的 MCR（manipulation-centric representation）视觉编码器提取三个相机视角的表征，与夹抓状态结合，共同编码图中节点。

边有两种。时间边连接同一轨迹上按固定间隔抽样的相邻的节点，代价等于跨越的帧数，因此图上的距离天然对应真实的物理时间。

相似边则负责把独立的轨迹桥接起来，需要同时满足三个条件：在每个相机视角中互为 K 近邻、夹爪状态一致、以及按局部尺度归一化后的距离小于阈值。归一化用的局部尺度，是该节点相邻一次转移的视觉距离，这让阈值在不同任务、不同视角下保持一致的物理含义。

图 2｜多视角状态表征、夹爪状态与跨轨迹连边。

第二步：从成功终点反向搜索

GR-BC 借鉴强化学习中的 cost-to-go 和图搜索思想，将进度转化为：从当前状态出发，沿着已有数据支持的路径，到成功还需要多少步？图构建完成后，算法从成功终点出发，使用反向 Dijkstra 搜索，计算各状态到成功的最小图路径代价记为剩余步数，其搜索结果只落在稀疏的节点上，随后线性插值把它铺到每一帧，从而与 VLA 的稠密监督对齐。

图 3｜螺钉拧紧与显卡插装：动作、图检索进度和权重的对应变化。

第三步：同时检查净进展与中途回退

剩余步数被映射为 0—1 的图检索进度（GRP）。每个动作块需同时通过两道检查：净进展超过阈值，且相对起点的最大回退未超限。通过者获得有上下界的正权重，其余权重为零。

公式 1｜动作块权重规则，截自论文第 6 页式（8）。

Δ 表示终点相对起点的净进展，d 表示起点进度减去块内最低进度。权重直接乘在原有 VLA 监督损失上，无需改动架构；零权重片段不贡献梯度，对应状态仍留在图中。GR-BC 想实现的，是无外界干扰情况下策略丝滑的完成精细操作，有外界干扰情况下，策略将自主调整并展现恢复能力。

图 4｜净进展与中途回退如何影响动作片段的训练权重。

每轮执行后，新收集的成功、失败与介入轨迹加入数据池。系统扩展图、重新搜索并更新权重，再离线训练下一轮策略。新经验也能改变旧片段的学习价值，无需额外训练奖励模型、或进度预测器。

图 5｜GR-BC 的离线迭代表现

实验结果：四项精细操作，平均成功率约 91%

真机实验覆盖四孔零件装配、显卡插装、双螺钉拧紧和内存条插装。其中，DDR4 插槽开口约 1 毫米，对位置与姿态对齐提出了更高要求。

图 6｜四类真实机器人任务的操作与鲁棒性扰动演示。

主实验以 X-VLA 为骨干，各方法从相同的行为克隆检查点出发。GR-BC 在上述四项任务上的最终成功率依次为98%、93%、89% 和 83%，平均约 91%；类 DAgger 等权聚合基线平均为 64%，相差约 27 个百分点。

图 7｜X-VLA 四任务成功率及迭代变化。

显卡插装的独立实验还覆盖 SmolVLA 与 π₀.₅，GR-BC 均优于各自的类 DAgger 基线，支持其在该任务上的骨干兼容性。前述 91% 仅指 X-VLA 的四任务结果。

进度评测：能否发现成功轨迹里的退步？

表 1｜进度评测与输入条件；GRP 为图内诊断。截自论文第 7 页表 1。

图 8｜局部偏离、重新定向和滑脱时，GRP 的进度信号出现回落。

每项任务固定评测 30 条成功、30 条失败轨迹。四任务汇总中，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。这意味着它不仅区分成败，也能捕捉成功过程中的退步。

总结与展望

真机数据来之不易。一次插入、一轮对齐、一段人工纠正，背后都是设备运行和人的时间。要求数采员提前交出一条近乎完美的完整示范，往往意味着更多重试，也可能让许多局部有效的经验被一同丢弃。

GR-BC 让多次不完美尝试中的有效经验共同发挥作用，为预训练数据清洗、后训练数据质量优化，以及基于任务进度的数据达标评估提供新思路。通过连接分散经验、识别有效动作片段，让数据价值的判断从整条轨迹的成败深入到局部动作的实际贡献。面向工业界毫米级插接、装配等精细操作，这一思路也有望帮助策略学习偏差纠正与受挫恢复，为更鲁棒的机器人操作提供支持。

作者团队简介

第一作者李小满，来自浙江大学 CAD&CG 国家重点实验室，在中国电信人工智能研究院（TeleAI）实习期间参与本项研究。工作由浙江大学、TeleAI 与伽马智能等机构合作完成。