情绪视频生成的质量没有唯一正确答案，固定融合视觉、运动和文本对齐奖励难以表达情绪意图。EmoReward把一次完整训练中收集的奖励轨迹整理成各情绪场景下各评分通道的可靠性，转成有上限的权重乘子，在下一轮训练中与当前视频的实例门控结合，且不更新任何奖励模型参数。在HunyuanVideo 1.5上配合DanceGRPO、FlowGRPO和SAGE-GRPO，VideoAlign Overall在三种算法下均提高，其中SAGE-GRPO配合EmoReward从-0.8269升至-0.2624。
StructRL 是一个在线强化学习框架，它把每条长程指令自动分解为可由环境状态二值验证的子任务并组织成有序依赖组，只在某子任务的全部前置条件完成后才发放中间奖励、并按完成快慢缩放奖励幅度，在 RoboCasa365 与 LIBERO-Long 上配合 GR00T-N1.5 和 π0.5 两个 VLA 主干，一致优于所评估的在线 RL 基线（如 GR00T-N1.5 上 RoboCasa365 由 41.5% 提升到 49.1%，LIBERO-Long 由 92.4% 提升到 96.6%）。
该工作提出一个用强化学习训练的统一全身控制器，仅以单个6自由度末端执行器目标作为任务级指令，直接输出双足底座与六关节机械臂共14个关节的协调动作，在仿真中取得88.30%任务成功率（位置均值误差2.85 cm、P95为5.38 cm），并在真实双足平台上通过VR遥操作、扩散策略与脚本轨迹三种指令源复用同一控制器，将竖直可达范围从浮基加逆运动学基线的约38–163 cm扩展到约3–191 cm。
已读完全部报道