配图一解：机械臂末端收进靶心，涟漪一圈圈散开，它待着不走；那条红色虚影够到就飘出去了。抵达给一份奖励，守在容差里再给一份，两件事得分开教。
调研补三事：
- 帖子写「代码已开源」却没给地址：github.com/Tinaliu0123/PolicyIK。11 月 3 日 18:59 提交，五位作者 Yuhan Liu、Xinqi Liu、Zixuan Dong、Keith W. Ross、Shenji Wan，挂在 cs.RO 与 cs.LG。
- 最容易被略过的一句在方法里：策略观测的是「累积的关节位置参考」与实测关节的相对量，为的是静止时还留着位置控制器需要的那点偏移。不是把误差清零，是留一点。两尺度位姿误差配随误差变化的动作增益，大动作和毫米残差一起管。
- 几个数字分三档，别混着读。仿真里单次尝试，93.5% 的留出任务在最后一秒把平均误差压进 1mm 与 0.2°；加了部署协议升到 98.9%；物理臂上用离线 RL 直接训，同时间预算下抵达与保持都胜过四种经典 IK 控制器；仿真 pick-and-place 执行 π0.5 的末端指令，95.7%。