導(dǎo)讀： 本文是機(jī)器人領(lǐng)域頂級(jí)會(huì)議 IROS 2021入選論文《 基于無監(jiān)督學(xué)習(xí)環(huán)境模型的機(jī)器人運(yùn)動(dòng)控制 （DMotion: Robotic Visuomotor Control with Unsupervised Forward Model Learned from Videos）》的解讀。該論文由北京大學(xué)前沿計(jì)算研究中心董豪課題組主導(dǎo)完成。
項(xiàng)目主頁(yè)： https://hyperplane-lab.github.io/dmotion/ 論文地址：
在機(jī)器人控制、基于模型的強(qiáng)化學(xué)習(xí)領(lǐng)域，學(xué)習(xí)環(huán)境的模型是重要的問題。現(xiàn)有方法學(xué)習(xí)環(huán)境模型通常需要大量從環(huán)境中采集的帶標(biāo)簽的數(shù)據(jù)，如智能體動(dòng)作、物體位置、運(yùn)動(dòng)的真實(shí)標(biāo)注，在許多現(xiàn)實(shí)場(chǎng)景的應(yīng)用中有局限性。 而認(rèn)知科學(xué)的研究認(rèn)為，人類嬰兒能夠僅通過視覺觀察，建立物理世界的模型、進(jìn)行預(yù)測(cè)。 無監(jiān)督地建立物理模型能夠幫助人類與環(huán)境交互、操控工具來完成各種任務(wù)。 如圖1的例子所示：玩家 B 通過觀察玩家 A 操作，學(xué)習(xí)如何玩一個(gè)游戲。為學(xué)會(huì)玩游戲，玩家 B 需要建立游戲的模型，知道鍵盤上的操作（動(dòng)作標(biāo)注）與畫面中主角動(dòng)作的對(duì)應(yīng)關(guān)系、采取某個(gè)動(dòng)作會(huì)如何影響游戲的狀態(tài)。現(xiàn)實(shí)中，玩家 B 大部分時(shí)間都會(huì)只關(guān)注游戲畫面，而不去觀察玩家 A 操作鍵盤的每一個(gè)動(dòng)作。對(duì)游戲模型的理解，例如哪個(gè)是主角、主角和游戲環(huán)境是怎么互動(dòng)的，大多是通過觀看游戲畫面完成的；觀察鍵盤的操作僅僅是為了知道如何去控制主角的每個(gè)動(dòng)作。 受此啟發(fā)，我們研究如何利用缺少動(dòng)作標(biāo)注的視頻數(shù)據(jù)學(xué)會(huì)環(huán)境模型，來實(shí)現(xiàn)基于模型的機(jī)器人運(yùn)動(dòng)控制。 如下圖所示，我們提出的方法（DMotion） 首先從無監(jiān)督的視頻中解耦智能體的運(yùn)動(dòng)、學(xué)習(xí)物體之間的交互規(guī)律；最后通過少量的帶有動(dòng)作標(biāo)注的數(shù)據(jù)，DMotion 建立動(dòng)作標(biāo)注到智能體運(yùn)動(dòng)的映射，學(xué)會(huì)環(huán)境模型。 圖2. DMotion學(xué)習(xí)“機(jī)器人推物體”環(huán)境的過程 圖3. DMotion的訓(xùn)練框架，由Object Extractor和Interaction Learner組合，進(jìn)行端到端的學(xué)習(xí) 問題定義： 環(huán)境是馬爾可夫決策過程 物體解耦模塊（Object Extractor）： 圖像編碼器（Image Encoder）將輸入圖像 交互學(xué)習(xí)模塊（Interaction Learner）： 此模塊輸入歷史觀測(cè) Object Extractor 和 Interaction Learner 在視頻數(shù)據(jù)集上端到端地訓(xùn)練，優(yōu)化目標(biāo)是： 直觀地，最小化前一項(xiàng)能夠激勵(lì)圖像編碼器解耦不同的物體、運(yùn)動(dòng)編碼器分解不同物體的位移，最小化后一項(xiàng)能夠激勵(lì)第一張?zhí)卣鲌D表示智能體的空間位置信息、交互學(xué)習(xí)模塊學(xué)習(xí)用 動(dòng)作映射（Action-Transformation Mapping）： 為將交互學(xué)習(xí)模塊轉(zhuǎn)化為輸入真實(shí)動(dòng)作 圖4. DMotion應(yīng)用于機(jī)器人運(yùn)動(dòng)控制的框架 機(jī)器人運(yùn)動(dòng)控制： DMotion 應(yīng)用于機(jī)器人運(yùn)動(dòng)控制的框架如圖4所示。給定一個(gè)目標(biāo)圖像，規(guī)劃算法利用學(xué)習(xí)的環(huán)境模型（Forward Model），搜索出最優(yōu)的決策動(dòng)作 視頻預(yù)測(cè)： 我們以圖像均方誤差（MSE）和物體位置的平均誤差（Pos err.）為指標(biāo)，在 Grid World、Robot Pushing 環(huán)境中測(cè)試視頻預(yù)測(cè)的準(zhǔn)確性。表1顯示了我們方法的表現(xiàn)比所有使用10%標(biāo)注數(shù)據(jù)的有監(jiān)督方法更好。在多數(shù)指標(biāo)上，我們方法的準(zhǔn)確性超過了使用全部標(biāo)注數(shù)據(jù)的監(jiān)督學(xué)習(xí)方法。表1. 視頻預(yù)測(cè)的定量結(jié)果，數(shù)字越小表示越準(zhǔn)確 機(jī)器人運(yùn)動(dòng)控制： 我們?cè)?Robot Pushing 環(huán)境中測(cè)試基于模型的機(jī)器人運(yùn)動(dòng)控制。圖6顯示，只有用我們的方法作為環(huán)境模型時(shí)，能夠有效地完成任務(wù)，使環(huán)境中物體位置與目標(biāo)位置的距離顯著下降。圖7對(duì)此進(jìn)行了解釋：可視化不同模型做多步預(yù)測(cè)的過程，只有我們的方法保證了機(jī)械臂始終是清晰的，其他方法在多步預(yù)測(cè)后機(jī)械臂的部分均出現(xiàn)模糊，導(dǎo)致規(guī)劃算法不能有效執(zhí)行。我們認(rèn)為，我們的方法對(duì)智能體的空間位置和運(yùn)動(dòng)進(jìn)行顯式地表示，有利于模型輸出智能體不模糊的圖像。圖5. DMotion在機(jī)器人運(yùn)動(dòng)控制中的部分效果 圖6. 機(jī)器人運(yùn)動(dòng)控制的定量結(jié)果，縱軸表示與目標(biāo)的差距，橫軸表示運(yùn)行步數(shù) 圖7. 機(jī)器人運(yùn)動(dòng)控制的規(guī)劃過程中，不同環(huán)境模型的預(yù)測(cè) 特征圖可視化： 在對(duì)圖像編碼器輸出的第一張?zhí)卣鲌D 圖8. DMotion首張?zhí)卣鲌D可視化的結(jié)果 本文提出了一種無監(jiān)督地用視頻數(shù)據(jù)學(xué)習(xí)環(huán)境模型的新方法，在視頻預(yù)測(cè)、機(jī)器人運(yùn)動(dòng)控制的任務(wù)中表現(xiàn)了相比監(jiān)督學(xué)習(xí)的優(yōu)越性。未來的研究可以將該方法推廣到連續(xù)動(dòng)作空間、多智能體、多關(guān)節(jié)智能體的場(chǎng)景，以適應(yīng)更復(fù)雜的任務(wù)需要。 雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知 。
