导读： 本文是机器人领域顶级会议 IROS 2021入选论文《 基于无监督学习环境模型的机器人运动控制 （DMotion: Robotic Visuomotor Control with Unsupervised Forward Model Learned from Videos）》的解读。该论文由北京大学前沿计算研究中心董豪课题组主导完成。
项目主页： https://hyperplane-lab.github.io/dmotion/ 论文地址：
在机器人控制、基于模型的强化学习领域，学习环境的模型是重要的问题。现有方法学习环境模型通常需要大量从环境中采集的带标签的数据，如智能体动作、物体位置、运动的真实标注，在许多现实场景的应用中有局限性。 而认知科学的研究认为，人类婴儿能够仅通过视觉观察，建立物理世界的模型、进行预测。 无监督地建立物理模型能够帮助人类与环境交互、操控工具来完成各种任务。 如图1的例子所示：玩家 B 通过观察玩家 A 操作，学习如何玩一个游戏。为学会玩游戏，玩家 B 需要建立游戏的模型，知道键盘上的操作（动作标注）与画面中主角动作的对应关系、采取某个动作会如何影响游戏的状态。现实中，玩家 B 大部分时间都会只关注游戏画面，而不去观察玩家 A 操作键盘的每一个动作。对游戏模型的理解，例如哪个是主角、主角和游戏环境是怎么互动的，大多是通过观看游戏画面完成的；观察键盘的操作仅仅是为了知道如何去控制主角的每个动作。 受此启发，我们研究如何利用缺少动作标注的视频数据学会环境模型，来实现基于模型的机器人运动控制。 如下图所示，我们提出的方法（DMotion） 首先从无监督的视频中解耦智能体的运动、学习物体之间的交互规律；最后通过少量的带有动作标注的数据，DMotion 建立动作标注到智能体运动的映射，学会环境模型。 图2. DMotion学习“机器人推物体”环境的过程 图3. DMotion的训练框架，由Object Extractor和Interaction Learner组合，进行端到端的学习 问题定义： 环境是马尔可夫决策过程 物体解耦模块（Object Extractor）： 图像编码器（Image Encoder）将输入图像 交互学习模块（Interaction Learner）： 此模块输入历史观测 Object Extractor 和 Interaction Learner 在视频数据集上端到端地训练，优化目标是： 直观地，最小化前一项能够激励图像编码器解耦不同的物体、运动编码器分解不同物体的位移，最小化后一项能够激励第一张特征图表示智能体的空间位置信息、交互学习模块学习用 动作映射（Action-Transformation Mapping）： 为将交互学习模块转化为输入真实动作 机器人运动控制： DMotion 应用于机器人运动控制的框架如图4所示。给定一个目标图像，规划算法利用学习的环境模型（Forward Model），搜索出最优的决策动作 视频预测： 我们以图像均方误差（MSE）和物体位置的平均误差（Pos err.）为指标，在 Grid World、Robot Pushing 环境中测试视频预测的准确性。表1显示了我们方法的表现比所有使用10%标注数据的有监督方法更好。在多数指标上，我们方法的准确性超过了使用全部标注数据的监督学习方法。机器人运动控制： 我们在 Robot Pushing 环境中测试基于模型的机器人运动控制。图6显示，只有用我们的方法作为环境模型时，能够有效地完成任务，使环境中物体位置与目标位置的距离显著下降。图7对此进行了解释：可视化不同模型做多步预测的过程，只有我们的方法保证了机械臂始终是清晰的，其他方法在多步预测后机械臂的部分均出现模糊，导致规划算法不能有效执行。我们认为，我们的方法对智能体的空间位置和运动进行显式地表示，有利于模型输出智能体不模糊的图像。图5. DMotion在机器人运动控制中的部分效果 图6. 机器人运动控制的定量结果，纵轴表示与目标的差距，横轴表示运行步数 图7. 机器人运动控制的规划过程中，不同环境模型的预测 特征图可视化： 在对图像编码器输出的第一张特征图 本文提出了一种无监督地用视频数据学习环境模型的新方法，在视频预测、机器人运动控制的任务中表现了相比监督学习的优越性。未来的研究可以将该方法推广到连续动作空间、多智能体、多关节智能体的场景，以适应更复杂的任务需要。 雷锋网雷锋网雷锋网
雷峰网特约稿件，未经授权禁止转载。详情见转载须知 。
