世界模型在實體機器人上能發(fā)揮多大的作用？

教機器人解決現(xiàn)實世界中的復(fù)雜任務(wù)，一直是機器人研究的基礎(chǔ)問題。深度強化學(xué)習(xí)提供了一種流行的機器人學(xué)習(xí)方法，讓機器人能夠通過反復(fù)試驗改善其行為。然而，當(dāng)前的算法需要與環(huán)境進行過多的交互才能學(xué)習(xí)成功，這使得它們不適用于某些現(xiàn)實世界的任務(wù)。 為現(xiàn)實世界學(xué)習(xí)準(zhǔn)確的世界模型是一個巨大的開放性挑戰(zhàn)。在最近的一項研究中，UC 伯克利的研究者利用 Dreamer 世界模型的最新進展，在最直接和最基本的問題設(shè)置中訓(xùn)練了各種機器人：無需模擬器或示范學(xué)習(xí)，就能實現(xiàn)現(xiàn)實世界中的在線強化學(xué)習(xí)。

論文鏈接：https://arxiv.org/pdf/2206.14176.pdf Dreamer 世界模型是谷歌、多倫多大學(xué)等機構(gòu)在 2021 年提出的一種。如下圖 2 所示，Dreamer 從過去經(jīng)驗的回放緩存中學(xué)習(xí)世界模型，從世界模型的潛在空間中想象的 rollout 中學(xué)習(xí)行為，并不斷與環(huán)境交互以探索和改進其行為。研究者的目標(biāo)是在現(xiàn)實世界中推動機器人學(xué)習(xí)的極限，并提供一個強大的平臺來支持未來的工作。

總體來說，這項研究的貢獻在于： 1、Dreamer on Robots。研究者將 Dreamer 應(yīng)用于 4 個機器人，無需引入新算法直接在現(xiàn)實世界中展示了成功的學(xué)習(xí)成果。這些任務(wù)涵蓋了一系列挑戰(zhàn)，包括不同的行動空間、感官模式和獎勵結(jié)構(gòu)。

2、1 小時內(nèi)學(xué)會步行。研究者在現(xiàn)實世界中從零開始教四足機器人翻身、站起來并在 1 小時內(nèi)學(xué)會步行。

此外，他們發(fā)現(xiàn)機器人會在 10 分鐘內(nèi)能學(xué)會承受推力或快速翻身并重新站起來。

3、視覺拾取和放置。研究者訓(xùn)練機械臂從稀疏獎勵中學(xué)會拾取和放置對象，這需要從像素定位對象并將圖像與本體感受輸入融合。此處學(xué)習(xí)到的行為優(yōu)于無模型智能體，并接近人類表現(xiàn)。

4、開源。研究者公開發(fā)布了所有實驗的軟件基礎(chǔ)架構(gòu)，它支持不同的動作空間和感官模式，為未來研究現(xiàn)實世界中機器人學(xué)習(xí)的世界模型提供了一個靈活的平臺。 方法 該研究利用 Dreamer 算法（Hafner et al., 2019; 2020）在物理機器人上進行在線學(xué)習(xí)（online learning），無需模擬器，總體架構(gòu)如上圖 2 所示。Dreamer 從過去經(jīng)驗的回放緩沖區(qū)中學(xué)習(xí)世界模型，使用參與者 - 評價者算法從學(xué)習(xí)模型預(yù)測的軌跡中學(xué)習(xí)行為，并將其行為部署在環(huán)境中來不斷提升回放緩沖區(qū)。 該研究將學(xué)習(xí)更新與數(shù)據(jù)收集解耦，以滿足延遲要求并實現(xiàn)快速訓(xùn)練而無需等待環(huán)境變化。在該研究的實現(xiàn)中，一個學(xué)習(xí)線程持續(xù)訓(xùn)練世界模型和參與者 - 評價者行為，同時一個參與者線程并行計算環(huán)境交互動作。 世界模型是一個學(xué)習(xí)預(yù)測環(huán)境動態(tài)的深度神經(jīng)網(wǎng)絡(luò)，如下圖 3（a）所示。

世界模型可以被認(rèn)為是機器人自主學(xué)習(xí)環(huán)境的快速模擬器，在探索現(xiàn)實世界時不斷改進其模型。世界模型基于循環(huán)狀態(tài)空間模型 (RSSM; Hafner et al., 2018)，它由四個組件組成：

世界模型表征了與任務(wù)無關(guān)的動態(tài)知識，而參與者 - 評價者算法負(fù)責(zé)學(xué)習(xí)特定于當(dāng)前任務(wù)的行為。如上圖 3(b) 所示。該研究從在世界模型的潛在空間中預(yù)測的 rollout 中學(xué)習(xí)行為，而無需解碼觀察結(jié)果。這可以在單個 GPU 上以 16K 的批大小進行大規(guī)模并行行為學(xué)習(xí)，類似于專門的現(xiàn)代模擬器 (Makoviychuk et al., 2021)。參與者 - 評價者算法由兩個神經(jīng)網(wǎng)絡(luò)組成：

參與者網(wǎng)絡(luò)的作用是為每個潛在模型狀態(tài) s_t 學(xué)習(xí)成功動作的分布，以最大化未來預(yù)測任務(wù)獎勵（reward）的總和。評價者網(wǎng)絡(luò)通過時間差異學(xué)習(xí)來學(xué)習(xí)預(yù)測未來任務(wù)獎勵的總和（Sutton 和 Barto，2018 ），這允許算法學(xué)習(xí)長期策略。 與 Hafner et al. (2020) 相比，Dreamer 方法沒有訓(xùn)練頻率超參數(shù)，因為學(xué)習(xí)器優(yōu)化神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)收集并行進行，沒有速率限制。 實驗 研究者在 4 個機器人上評估了 Dreamer，為每個機器人分配了不同的任務(wù)，并將其性能與算法和人類基線進行比較，目的是評估近期學(xué)習(xí)世界模型的成功是否能夠直接在現(xiàn)實世界中實現(xiàn)樣本高效的機器人學(xué)習(xí)。 這些實驗代表了常見的機器人任務(wù)，例如運動、操縱和導(dǎo)航，帶來了各種各樣的挑戰(zhàn)，包括連續(xù)和離散的動作、密集和稀疏的獎勵、本體感受和圖像觀察，以及傳感器融合。 A1 機器狗四足步行 如圖 4 所示，經(jīng)過一小時的訓(xùn)練，Dreamer 學(xué)會了不斷地讓機器人從其背部翻過來、站起來，然后向前走。在訓(xùn)練的前 5 分鐘，機器人設(shè)法從背部翻滾過來并用腳著地。20 分鐘后，它學(xué)會了如何站起來。大約 1 小時后，機器人學(xué)會了一種叉式步態(tài)，以所需的速度向前行走。

在成功完成這項任務(wù)后，研究者用一根棍子反復(fù)敲打機器人的四足來測試算法的魯棒性，如圖 8 所示。在額外在線學(xué)習(xí)的 10 分鐘內(nèi)，機器人會適應(yīng)并承受推力或快速翻身站穩(wěn)。相比之下，SAC 也很快學(xué)會了翻身，但由于數(shù)據(jù)預(yù)算（data budget）太小，無法站立或行走。

UR5 多物體視覺拾取和放置 拾取和放置任務(wù)在倉庫和物流環(huán)境中很常見，需要機械臂將物品從一個箱子運輸?shù)搅硪粋€箱子。圖 5 展示了成功拾取和放置的循環(huán)。由于獎勵稀疏、需要從像素推斷對象位置以及多個移動對象的挑戰(zhàn)性動態(tài)，該任務(wù)具有一定挑戰(zhàn)性。

XArm 視覺拾取和放置 上面提到的 UR5 機器人是高性能工業(yè)機器人，但 XArm 是一種可訪問的低成本 7 DOF 操作，此處任務(wù)類似，需要定位和抓取一個柔軟的物體，將其從一個容器移到另一個容器并返回，如圖 6 所示。

Sphero 導(dǎo)航 此外，研究者還在視覺導(dǎo)航任務(wù)上評估了 Dreamer，該任務(wù)需要將輪式機器人操縱到固定目標(biāo)位置，僅給定 RGB 圖像作為輸入。這里使用了 Sphero Ollie 機器人，一個帶有兩個可控電機的圓柱形機器人，研究者通過 2 Hz 的連續(xù)扭矩命令對其進行控制。鑒于機器人是對稱的，并且機器人只能獲得圖像觀察，它必須從觀察歷史中推斷出航向。

2 小時內(nèi)，Dreamer 學(xué)會了快速且始終如一地導(dǎo)航到目標(biāo)，并保持在目標(biāo)附近。如圖 7 所示，Dreamer 與目標(biāo)的平均距離為 0.15（以區(qū)域大小為單位測量并跨時間步求平均值）。

審核編輯 ：李倩