AI模型將視覺和語言轉(zhuǎn)化為機(jī)器人動作。

7月28日，谷歌DeepMind推出了一款新的機(jī)器人模型Robotics Transformer 2（RT-2）。

這是一個全新的視覺-語言-動作（VLA）模型，從網(wǎng)絡(luò)和機(jī)器人數(shù)據(jù)中學(xué)習(xí)，并將這些知識轉(zhuǎn)化為機(jī)器人控制的通用指令。

高容量視覺-語言模型（VLMs）在web-scale數(shù)據(jù)集上訓(xùn)練，使得這些系統(tǒng)非常擅長識別視覺或語言模式并跨不同語言進(jìn)行操作。但是，要使機(jī)器人達(dá)到類似的能力水平，需要收集每個物體、環(huán)境、任務(wù)和情況的第一手機(jī)器人數(shù)據(jù)。

在Google DeepMind的論文中介紹了Robotics Transformer 2（RT-2），一個全新的視覺-語言-動作（VLA）模型，它從網(wǎng)絡(luò)和機(jī)器人數(shù)據(jù)中學(xué)習(xí)，并將這些知識轉(zhuǎn)化為機(jī)器人控制的通用指令，同時保留了web-scale能力。

?

一個在web-scale數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練的視覺-語言模型（VLM）正在從RT-1的機(jī)器人數(shù)據(jù)中學(xué)習(xí)，以成為可以控制機(jī)器人的視覺-語言-動作（VLA）模型，RT-2。

這項工作建立在Robotic Transformer 1（RT-1）的基礎(chǔ)上。RT-1是一個經(jīng)過多任務(wù)演示訓(xùn)練的模型，可以學(xué)習(xí)機(jī)器人數(shù)據(jù)中看到的任務(wù)和對象的組合。更具體地說，Google DeepMind的工作使用了在辦公室廚房環(huán)境中用13臺機(jī)器人在17個月的時間內(nèi)收集的RT-1機(jī)器人演示數(shù)據(jù)。

RT-2表現(xiàn)出了更好的泛化能力，超越了它所接觸到的機(jī)器人數(shù)據(jù)的語義和視覺理解，包括解釋新命令并通過執(zhí)行基本推理（例如關(guān)于對象類別或高級描述的推理）來響應(yīng)用戶命令。

Google DeepMind研究團(tuán)隊還展示了將思維鏈推理納入RT-2中使其能夠進(jìn)行多階段語義推理，例如決定哪種物體可以用作一把臨時錘子（石頭），或者哪種飲料最適合疲倦的人（能量飲料）。

1.采用視覺語言模型進(jìn)行機(jī)器人控制

?

RT-2以視覺-語言模型（VLMs）為基礎(chǔ)，將一個或多個圖像作為輸入，并生成一系列通常表示自然語言文本的標(biāo)記。此類VLMs已經(jīng)在大規(guī)模網(wǎng)絡(luò)的數(shù)據(jù)上成功訓(xùn)練，用于執(zhí)行視覺問答、圖像字幕或?qū)ο笞R別等任務(wù)。在Google DeepMind的工作中，將Pathways Language and Image model（PaLI-X）和 Pathways Language model Embodied（PaLM-E）作為RT-2的支柱。

要控制一個機(jī)器人，必須對其進(jìn)行訓(xùn)練以輸出動作。Google DeepMind研究團(tuán)隊通過將動作表示為模型輸出中的標(biāo)注（類似于語言標(biāo)記）來解決這一挑戰(zhàn)，并將動作描述為可以由標(biāo)準(zhǔn)自然語言標(biāo)記化處理的字符串，如下所示：

在RT-2的訓(xùn)練中，動作字符串的表示方式。這種字符串的示例可以是機(jī)器人動作標(biāo)記編號的序列，例如：“1 128 91 241 5 101 127 217”。

該字符串以一個標(biāo)志開始，指示是繼續(xù)，還是終止當(dāng)前情節(jié)不執(zhí)行后續(xù)命令，然后機(jī)器人根據(jù)指示更改末端執(zhí)行器的位置和旋轉(zhuǎn)以及機(jī)器人抓手所需伸展的命令。

Google DeepMind研究團(tuán)隊使用與RT-1中相同的機(jī)器人動作離散版本，并表明將其轉(zhuǎn)換為字符串表示使得可以在機(jī)器人數(shù)據(jù)上訓(xùn)練VLM模型，因為此類模型的輸入和輸出空間無需改變。

?

RT-2的架構(gòu)和訓(xùn)練：對一個預(yù)訓(xùn)練的VLM模型在機(jī)器人和網(wǎng)絡(luò)數(shù)據(jù)上進(jìn)行共同微調(diào)。生成的模型接收機(jī)器人攝像頭圖像并直接預(yù)測機(jī)器人要執(zhí)行的動作。

2.泛化和涌現(xiàn)能力

?

Google DeepMind研究團(tuán)隊對RT-2模型進(jìn)行了一系列定性和定量實驗，涵蓋了超過6000次機(jī)器人試驗。在探索RT-2的涌現(xiàn)能力時，首先尋找了需要將web-scale數(shù)據(jù)和機(jī)器人的經(jīng)驗相結(jié)合的任務(wù)，然后定義了三類技能：符號理解、推理和人類識別。 ?

每個任務(wù)都需要理解視覺-語義概念，并具備執(zhí)行機(jī)器人控制以對這些概念進(jìn)行操作的能力。例如，“拿起即將從桌子上掉下來的袋子”或“將香蕉移動到2加1的和”，要求機(jī)器人對機(jī)器人數(shù)據(jù)中從未見過的對象或場景上執(zhí)行操作任務(wù)，這需要從網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)化而來的知識進(jìn)行操作。

機(jī)器人數(shù)據(jù)中不存在的涌現(xiàn)能力示例，需要從網(wǎng)絡(luò)預(yù)訓(xùn)練中進(jìn)行知識轉(zhuǎn)移。

在所有類別中，與之前的基線相比（例如之前在大規(guī)模視覺數(shù)據(jù)集上預(yù)訓(xùn)練的RT-1模型和Visual Cortex（VC-1）等模型），RT-2的泛化性能提高到了3倍以上。

?

涌現(xiàn)能力評估的成功率：RT-2模型優(yōu)于之前的RT-1和VC-1基線。

Google DeepMind研究團(tuán)隊還進(jìn)行了一系列的定量評估，首先從最初的RT-1任務(wù)開始，這些任務(wù)在機(jī)器人數(shù)據(jù)中有示例，然后繼續(xù)進(jìn)行對機(jī)器人來說之前從未見過的不同程度的對象、背景和環(huán)境的評估，要求機(jī)器人從VLM預(yù)訓(xùn)練中學(xué)習(xí)泛化能力。 ?

機(jī)器人以前未見過的環(huán)境示例，RT-2可以推廣到新的情況。

RT-2在機(jī)器人數(shù)據(jù)中保持了對原始任務(wù)的性能，并提高了機(jī)器人在之前未曾見過的情景上的性能，從RT-1的32%提高到62%，顯示了大規(guī)模預(yù)訓(xùn)練的顯著好處。 ?

此外，Google DeepMind研究團(tuán)隊還觀察到與僅在視覺任務(wù)上預(yù)訓(xùn)練的基準(zhǔn)模型相比有顯著改進(jìn)，例如VC-1和機(jī)器人操作的Reusable Representations for Robotic Manipulation（R3M），以及用VLM進(jìn)行對象識別的算法，例如Manipulation of Open-World Objects（MOO）。 ?

RT-2在分布內(nèi)可見的任務(wù)上實現(xiàn)了高性能，在分布外不可見的任務(wù)上優(yōu)于多個基線。

在開源的“Language Table”機(jī)器人任務(wù)套件上評估模型，Google DeepMind研究團(tuán)隊在模擬環(huán)境中取得了90%的成功率，明顯優(yōu)于以前的基線，包括BC-Z（72%）、RT-1（74%）和LAVA（77%）。 ?

然后研究團(tuán)隊在真實世界中評估了相同的模型（因為它是在模擬和真實數(shù)據(jù)上進(jìn)行訓(xùn)練的），并展示了它泛化到新物體的能力，如下所示，訓(xùn)練數(shù)據(jù)集中除藍(lán)色立方體外，沒有其他對象存在。 ?

RT-2在真實機(jī)器人Language Table任務(wù)中表現(xiàn)良好。在訓(xùn)練數(shù)據(jù)中，除了藍(lán)色立方體之外，沒有其他對象存在。

受到LLM中使用的思維鏈提示方法的啟發(fā)，研究團(tuán)隊對模型進(jìn)行了探測，將機(jī)器人控制與思維鏈推理相結(jié)合，使得學(xué)習(xí)長期規(guī)劃和簡易技能可以在單個模型中實現(xiàn)。 ?

具體而言，研究團(tuán)隊對RT-2的一個變體進(jìn)行了幾百個梯度步驟的微調(diào)，以增強其聯(lián)合使用語言和動作的能力。然后對數(shù)據(jù)進(jìn)行擴(kuò)充，加入一個額外的“計劃”步驟，首先用自然語言描述機(jī)器人即將采取的動作的目的，然后是“動作”和動作標(biāo)注。下面是一個這樣的推理示例和機(jī)器人的行為結(jié)果： ?

思維鏈推理可以學(xué)習(xí)一個獨立的模型，既可以規(guī)劃長期技能序列，又可以預(yù)測機(jī)器人的動作。 ?

通過這個過程，RT-2可以執(zhí)行更復(fù)雜的命令，需要推理完成用戶指令所需的中間步驟。得益于其VLM主干，RT-2可以從圖像和文本命令進(jìn)行規(guī)劃，從而實現(xiàn)視覺基礎(chǔ)規(guī)劃，而當(dāng)前的計劃和執(zhí)行方法（如SayCan）無法看到真實世界，完全依賴于語言。 ? ? ?

3.推進(jìn)機(jī)器人控制

?RT-2表明，視覺-語言模型（VLMs）可以轉(zhuǎn)變?yōu)閺姶蟮囊曈X-語言-動作（VLA）模型，通過將VLM預(yù)訓(xùn)練與機(jī)器人數(shù)據(jù)相結(jié)合，直接控制機(jī)器人。 ?

通過基于PaLM-E和PaLI-X的兩個VLA實例，RT-2導(dǎo)致了高度改進(jìn)的機(jī)器人策略，并且更重要的是，它具有顯著更好的泛化性和涌現(xiàn)能力，這些能力繼承自web-scale的視覺-語言預(yù)訓(xùn)練。 ?

RT-2不僅是現(xiàn)有VLM模型簡單而有效的修改，而且顯示了構(gòu)建通用型物理機(jī)器人的前景，這種機(jī)器人可以進(jìn)行推理、問題解決并解釋信息，以在真實世界中執(zhí)行各種任務(wù)。? ?





審核編輯：劉清