一句话看懂：2026年10月发布于arXiv的一篇论文，在双臂太空机器人协同运动规划任务中对比PPO与SAC两种强化学习算法，SAC在固定基座仿真中平均成功率78.6%，PPO仅7.4%，且PPO在未见目标上性能大幅下降。
事件核心：发生了什么
该研究针对双臂太空机械臂的目标到达任务，构建了集中式状态表示（融合关节空间、末端执行器与目标相对信息）和多目标奖励函数，兼顾到达精度、姿态对齐、运动平滑、双臂同步与臂间避碰。作者在5个随机种子上比较了在线的PPO与离线的SAC：SAC每个种子都达到80%成功率阈值（中位1.6M环境步），4M步内PPO未达阈值；平均成功率78.6%对7.4%，SAC位置与姿态误差更低、双臂同步更紧。两类算法在未见过的边界目标上均退化，但SAC保留大部分性能，PPO明显崩溃。摘要还指出PPO在两阶段奖励塑形下易收敛到“刷奖励”的局部最优，而非完成精度任务。以上均为摘要信息，全文实验细节尚未核验。
为什么重要
轨道碎片增多推动主动清除与在轨服务需求，双臂系统在抓取稳定性和载荷分配上优于单臂，但协调控制长期是难点。这项对比为工程选型提供了具体证据：在本任务设定下，离策略的SAC样本效率与泛化表现明显更好，而在策略方法对奖励塑形高度敏感。它也提醒开发者，奖励函数设计不当会让训练“看起来收敛”，实际却偏离任务目标。
对用户/开发者/创作者的影响
对机器人强化学习开发者而言，结论适用于固定基座仿真场景，不能直接外推到真实在轨环境；但奖励塑形敏感性和算法泛化差异值得在自身任务中复现验证。若团队使用PPO处理多目标精密操作，建议检查是否存在奖励停滞式局部最优，并考虑SAC或混合方案。对航天任务方，目前公开信息显示这仍是仿真层面研究，距离在轨部署尚远。
值得关注的后续
一是作者是否发布全文及开源代码，公开更多种子、任务变体与真实动力学扰动实验；二是PPO失败模式是否在别的多目标任务中普遍出现；三是后续工作是否引入浮动基座、传感噪声等更接近太空条件的设定。
来源：arXiv cs.AI
