#自改进 (2)

超越模仿：通过离线策略 Q-Planning 实现机器人策略自我改进

Q-Planning 冻结大型行为克隆策略，只训练一个约十亿参数的离线 Q 函数。推理时，Q 对 BC 采样出的多个候选动作块做单步加权平均；在线自改进时，成功与失败回放都只用于更新 Q。10 轮迭代将 LIBERO 平均成功率从 92.1% 提升到 97.6%，双臂真机堆杯与插卡任务分别从 40%/25% 提升到 90%/80%。