導讀： 本文是機器人領域頂級會議 IROS 2021入選論文《 基于無監督學習環境模型的機器人運動控制 （DMotion: Robotic Visuomotor Control with Unsupervised Forward Model Learned from Videos）》的解讀。該論文由北京大學前沿計算研究中心董豪課題組主導完成。
項目主頁： https://hyperplane-lab.github.io/dmotion/ 論文地址：
在機器人控制、基于模型的強化學習領域，學習環境的模型是重要的問題?，F有方法學習環境模型通常需要大量從環境中采集的帶標簽的數據，如智能體動作、物體位置、運動的真實標注，在許多現實場景的應用中有局限性。 而認知科學的研究認為，人類嬰兒能夠僅通過視覺觀察，建立物理世界的模型、進行預測。 無監督地建立物理模型能夠幫助人類與環境交互、操控工具來完成各種任務。 如圖1的例子所示：玩家 B 通過觀察玩家 A 操作，學習如何玩一個游戲。為學會玩游戲，玩家 B 需要建立游戲的模型，知道鍵盤上的操作（動作標注）與畫面中主角動作的對應關系、采取某個動作會如何影響游戲的狀態。現實中，玩家 B 大部分時間都會只關注游戲畫面，而不去觀察玩家 A 操作鍵盤的每一個動作。對游戲模型的理解，例如哪個是主角、主角和游戲環境是怎么互動的，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動作。 受此啟發，我們研究如何利用缺少動作標注的視頻數據學會環境模型，來實現基于模型的機器人運動控制。 如下圖所示，我們提出的方法（DMotion） 首先從無監督的視頻中解耦智能體的運動、學習物體之間的交互規律；最后通過少量的帶有動作標注的數據，DMotion 建立動作標注到智能體運動的映射，學會環境模型。 圖2. DMotion學習“機器人推物體”環境的過程 圖3. DMotion的訓練框架，由Object Extractor和Interaction Learner組合，進行端到端的學習 問題定義： 環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 交互學習模塊（Interaction Learner）： 此模塊輸入歷史觀測 Object Extractor 和 Interaction Learner 在視頻數據集上端到端地訓練，優化目標是： 直觀地，最小化前一項能夠激勵圖像編碼器解耦不同的物體、運動編碼器分解不同物體的位移，最小化后一項能夠激勵第一張特征圖表示智能體的空間位置信息、交互學習模塊學習用 動作映射（Action-Transformation Mapping）： 為將交互學習模塊轉化為輸入真實動作 機器人運動控制： DMotion 應用于機器人運動控制的框架如圖4所示。給定一個目標圖像，規劃算法利用學習的環境模型（Forward Model），搜索出最優的決策動作 視頻預測： 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，在 Grid World、Robot Pushing 環境中測試視頻預測的準確性。表1顯示了我們方法的表現比所有使用10%標注數據的有監督方法更好。在多數指標上，我們方法的準確性超過了使用全部標注數據的監督學習方法。機器人運動控制： 我們在 Robot Pushing 環境中測試基于模型的機器人運動控制。圖6顯示，只有用我們的方法作為環境模型時，能夠有效地完成任務，使環境中物體位置與目標位置的距離顯著下降。圖7對此進行了解釋：可視化不同模型做多步預測的過程，只有我們的方法保證了機械臂始終是清晰的，其他方法在多步預測后機械臂的部分均出現模糊，導致規劃算法不能有效執行。我們認為，我們的方法對智能體的空間位置和運動進行顯式地表示，有利于模型輸出智能體不模糊的圖像。圖5. DMotion在機器人運動控制中的部分效果 圖6. 機器人運動控制的定量結果，縱軸表示與目標的差距，橫軸表示運行步數 圖7. 機器人運動控制的規劃過程中，不同環境模型的預測 特征圖可視化： 在對圖像編碼器輸出的第一張特征圖 本文提出了一種無監督地用視頻數據學習環境模型的新方法，在視頻預測、機器人運動控制的任務中表現了相比監督學習的優越性。未來的研究可以將該方法推廣到連續動作空間、多智能體、多關節智能體的場景，以適應更復雜的任務需要。 雷鋒網雷鋒網雷鋒網
雷峰網特約稿件，未經授權禁止轉載。詳情見轉載須知 。
