RL-100——基于真实世界RL的高性能灵巧操作：先基于人类演示做模仿学习预训练，再经验数据中离线RL，最后真机在线RL(必要时人工干预)

本文提出RL-100框架，通过结合模仿学习与强化学习提升机器人操作性能。该方法包含三个阶段：首先基于人类示范数据进行模仿学习预训练；然后通过迭代式离线强化学习优化策略；最后进行针对性在线微调。关键创新在于采用统一的PPO目标函数贯穿扩散去噪过程，实现稳定更新。为满足实时需求，通过一致性蒸馏将多步扩散压缩为单步控制器。实验表明，该框架能有效利用人类先验并超越人类表现，支持多种输入表示和控制模式...