斯坦福炒菜機器人的大火，開啟了2024年機器人元年。最近，CMU研究團隊推出了一款能在開放世界完成任務(wù)的機器人，成本僅18萬元。沒見過的場景，它可以靠自學(xué)學(xué)會。
比斯坦福炒蝦機器人還厲害的機器人來了！
最近，CMU的研究者只花費2.5萬美元，就打造出一個在開放世界中可以自適應(yīng)移動操作鉸接對象的機器人。
論文地址：https://arxiv.org/abs/2401.14403
厲害之處就在于，它是完全自主完成操作的。
看，這個機器人能自己打開各式各樣的門。
無論是需要按一下把手才能打開的門。
需要推開的門。
透明的彈簧門。
甚至是昏暗環(huán)境中的門。
它還能自己打開櫥柜。
打開抽屜。
自己打開冰箱。
甚至，它的技能推廣到訓(xùn)練以外的場景。
結(jié)果發(fā)現(xiàn)，一個小時內(nèi)，機器人學(xué)會打開20個從未見過的門，成功率從行為克隆預(yù)訓(xùn)練的50%，飆升到在線自適應(yīng)的95%。
即使眼前是一個它從未見過的門，這個優(yōu)秀的小機器人也順利打開了！
英偉達高級科學(xué)家Jim Fan表示：
斯坦福的ALOHA雖然令人印象深刻，但很多動作都需要人類協(xié)同控制，但這個機器人，則是完全自主完成的一系列操作。
它背后的核心思想，就是在測試時進行RL，使用CLIP（或任何視覺語言模型）作為學(xué)習(xí)的獎勵函數(shù)。
這樣，就像ChatGPT用RLHF進行預(yù)訓(xùn)練一樣，機器人可以對人類收集的軌跡進行預(yù)訓(xùn)練（通過遠程控制），然后通過新場景進行RLHF，這樣就掌握了訓(xùn)練以外的技能。
這項工作一經(jīng)發(fā)布，立刻獲得了同行們的肯定。
「恭喜！這是將機械臂帶出實驗室的好裝置�！�
「太令人激動了，讓機器人在線學(xué)習(xí)技能前景巨大９
「如此便宜的定制硬件，會讓移動操作變得瘋狂。」
「永遠不要惹一個機器人，它已經(jīng)學(xué)會開門了�！�
讓我們具體看看，這個機器人是如何完成未見過的開門任務(wù)。
機器人自適應(yīng)學(xué)習(xí)，性能暴漲至90%
當前多數(shù)機器人移動操作，僅限于拾取-移動-放置的任務(wù)。
由于多種原因，在「開放世界」中開發(fā)和部署，能夠處理看不見的物體機器人系統(tǒng)具有極大的挑戰(zhàn)性。
針對學(xué)習(xí)「通用移動操作」的挑戰(zhàn)，研究人員將研究重點放在一類有限的問題涉及鉸接式物體的操作，比如開放世界中的門、抽屜、冰箱或櫥柜。
別看，開門、打開抽屜、冰箱這種日常生活中的操作對于每個人來說，甚至小孩子來說輕而易舉，卻是機器人的一大挑戰(zhàn)。
對此，CMU研究人員提出了「全棧」的方法來解決以上問題。
為了有效地操縱開放世界中的物體，研究中采用了「自適應(yīng)學(xué)習(xí)」的框架，機器人不斷從交互中收集在線樣本進行學(xué)習(xí)。
這樣一來，即使機器人遇到了，不同鉸接模式或不同物理參數(shù)（因重量或摩擦力不同）的新門，也可以通過交互學(xué)習(xí)實現(xiàn)自適應(yīng)。
為了實現(xiàn)高效學(xué)習(xí)，研究人員使用一種結(jié)構(gòu)化的分層動作空間。它使用固定的高級動作策略和可學(xué)習(xí)的低層控制參數(shù)。
使用這種動作空間，研究人員通過各種遠程操作演示的數(shù)據(jù)集，初始化了策略（BC）。這為探索提供了一個強有力的先驗，并降低了執(zhí)行不安全動作的可能性。
成本僅2.5萬美金
此前，斯坦福團隊在打造Mobile ALOHA的所有成本用了3萬美元。
而這次，CMU團隊能夠以更便宜的成本2.5萬美元（約18萬元），打造了一臺在通用世界使用的機器人。
如下圖3所示，展示了機器人硬件系統(tǒng)的不同組件。
研究人員選用了AgileX的Ranger Mini 2底座，因其具有穩(wěn)定性，全向速度控制，和高負載稱為最佳選擇。
為了使這樣的系統(tǒng)有效，能夠有效學(xué)習(xí)至關(guān)重要，因為收集現(xiàn)實世界樣本的成本很高。
使用的移動機械手臂如圖所示。
手臂采用了xArm進行操作，有效負載為5公斤，成本較低，可供研究實驗室廣泛使用。
CMU機器人系統(tǒng)使用了Jetson計算機來支持傳感器、底座、手臂，以及托管LLM的服務(wù)器之間的實時通信。
對于實驗數(shù)據(jù)的收集，是通過安裝在框架上的D435 IntelRealsense攝像頭來收集RGBD圖像，并使用T265 Intel Realsense攝像頭來提供視覺里程計，這對于在執(zhí)行RL試驗時重置機器人至關(guān)重要。
另外，機器人抓手還配備了3D打印抓手和防滑帶，以確保安全穩(wěn)定的抓握。
研究人員還將創(chuàng)建的模塊化平臺的關(guān)鍵方面，與其他移動操縱平臺進行比較。
看得出，CMU的機器人系統(tǒng)不論是在手臂負載力，還是移動自由度、全向驅(qū)動的底座、成本等方面具有明顯的優(yōu)勢。
機器人成本
機械臂成本
原始實現(xiàn)
參數(shù)化原始動作空間的實現(xiàn)細節(jié)如下。
抓取
為了實現(xiàn)這個動作，對于從實感相機獲得的場景RGBD圖像，研究者使用現(xiàn)成的視覺模型，僅僅給出文本提示，就能獲取門和把手的掩碼。
此外，由于門是一個平面，因此可以使用相應(yīng)的掩碼和深度圖像，來估計門的表面法線。
這就可以將底座移動到靠近門的地方，使其垂直，并設(shè)置抓握把手的方向角度。
使用相機校準，將把手的2D掩碼中心投影到3D坐標，這就是標記的抓取位置。
原始抓取的低級控制參數(shù)，會指示要抓取位置的偏移量。
這是十分有益的，因為根據(jù)把手的類型，機器人可能需要到達稍微不同的位置，通過低級連續(xù)值參數(shù)，就可以來學(xué)習(xí)這一點。
約束移動操縱
對于機器人手臂末端執(zhí)行器和機器人底座，研究者使用了速度控制。
通過在SE2平面中的6dof臂和3dof運動，他們創(chuàng)建了一個9維向量。
其中前6個維度對應(yīng)手臂的控制，后三個維度對應(yīng)底座。
研究者使用原始數(shù)據(jù)，對該空間施加了如下約束
在控制機器人時，策略會輸出與要執(zhí)行的原始數(shù)據(jù)相對應(yīng)的索引，以及運動的相應(yīng)低級參數(shù)。
低級控制命令的值從-1到1連續(xù)，并且會在一段固定的持續(xù)時間內(nèi)執(zhí)行。
參數(shù)的符號決定了速度控制的方向，順時針或逆時針用于解鎖和旋轉(zhuǎn)，向前或向后用于打開物體。
預(yù)訓(xùn)練數(shù)據(jù)集
在這個項目中考慮的鉸接物體，由三個剛性部分組成:底座部分、框架部分和手柄部分。
其中包括門、櫥柜、抽屜和冰箱等物體。
它們的底座和框架通過旋轉(zhuǎn)接頭(如在櫥柜中)或棱柱接頭(如在抽屜中)連接�？蚣芡ㄟ^旋轉(zhuǎn)接頭或固定接頭連接到手柄。
因此，研究者確定了鉸接物體的四種主要類型，分類取決于與手柄的類型和關(guān)節(jié)機構(gòu)。
手柄關(guān)節(jié)通常包括杠桿(A型)和旋鈕(B型)。
對于手柄沒有鉸接的情況，主體框架可以使用旋轉(zhuǎn)接頭(C型)繞鉸鏈旋轉(zhuǎn)，或者沿著柱接頭(例如抽屜)前后滑動(D型)。
雖然并不詳盡，但可以說這四種分類基本涵蓋了機器人系統(tǒng)可能遇到的各種日常鉸接物體。
然而，總還有機器人看不到的新型鉸接物體，為了提供操作這些新型鉸接物體的泛化優(yōu)勢，研究者首先收集了離線演示數(shù)據(jù)集。
在BC訓(xùn)練數(shù)據(jù)集中，包含了每個類別的3個對象，研究者為每個對象收集10個演示，總共生成120個軌跡。
此外，研究者還為每個類別保留了2個測試對象，用于泛化實驗。
訓(xùn)練和測試對象在視覺外觀(例如紋理、顏色)、物理動力學(xué)(例如彈簧加載)和驅(qū)動(例如手柄關(guān)節(jié)可能是順時針或逆時針)方面存在顯著差異。
在圖4中，包含了訓(xùn)練和測試集中使用的所有對象的可視化，以及它們來自集合的哪個部分，如圖5所示。
自主安全的在線自適應(yīng)
在這項工作中，研究者們面臨的最大挑戰(zhàn)就在于，如何使用不屬于BC訓(xùn)練集的新對象進行操作？
為了解決這個問題，他們開發(fā)了一個能夠完全自主強化學(xué)習(xí)(RL)在線適應(yīng)的系統(tǒng)。
安全意識探索
確保機器人所采取的探索動作對其硬件來說是安全的，這一點至關(guān)重要，特別是它是在關(guān)節(jié)約束下與物體交互的。
理想情況下，機器人應(yīng)該可以解決動態(tài)任務(wù)，比如使用不同力量控制開門。
然而，研究者使用的xarm-6這種低成本手臂，不支持精確的力感應(yīng)。
因此，為了部署系統(tǒng)，研究者使用了基于在線采樣期間讀取聯(lián)合電流的安全機制。
如果機器人采樣到導(dǎo)致關(guān)節(jié)電流達到閾值的動作，該事件就會終止，并重置機器人，以防止手臂可能會損害到自身，并且會提供負面獎勵，來抑制此類行為。
獎勵規(guī)范
在實驗中，人類操作員會給機器人提供獎勵。
如果機器人成功開門，則獎勵+1，如果失敗則獎勵0，如果存在安全違規(guī)則獎勵-1。
這種獎勵機制是可行的，因為系統(tǒng)只需要很少的樣本來學(xué)習(xí)。
然而，對于自主學(xué)習(xí)，研究者希望消除依賴人類出現(xiàn)在循環(huán)中的瓶頸。
在這種情況下，他們研究了使用大型視覺語言模型作為獎勵來源的辦法。
具體來說，他們使用CLIP來計算兩個文本提示與機器人執(zhí)行后觀察到的圖像之間的相似度得分。
研究者使用的兩個提示是「門已關(guān)閉」和「門已打開」，他們會計算最終觀察到的圖像和每個提示的相似度得分。
如果圖像更接近指示門打開的提示，則分配獎勵+1，否則分配獎勵0。如果觸發(fā)安全保護，獎勵為-1。
復(fù)位機制
在這個過程中，機器人會采用視覺里程計，利用安裝在其底座上的T265跟蹤攝像頭，使其能夠?qū)Ш交爻跏嘉恢谩?/p>
每次行動結(jié)束時，機器人會放開抓手，并移回原來的SE2基地位置，并拍攝If的圖像以用于計算獎勵。
然后，研究者對SE2基地位置進行隨機擾動，以便策略變得更加穩(wěn)劍
此外，如果獎勵為1，門被打開時，機器人就會有一個腳本例程，來把門關(guān)上。
實驗結(jié)果
研究人員在CMU校園內(nèi)四棟不同建筑中（12個訓(xùn)練對象和8個測試對象），對全新架構(gòu)加持的機器人系統(tǒng)進行了廣泛的研究。
具體回答了以下幾個問題：
1）系統(tǒng)能否通過跨不同對象類別的在線自適應(yīng)，來提高未見過對象的性能？
2）這與僅在提供的演示中，使用模仿學(xué)習(xí)相比如何？
3）可以使用現(xiàn)成的視覺語言模型自動提供獎勵嗎？
4）硬件設(shè)計與其他平臺相比如何？（硬件部分已進行了比較）
在線自適應(yīng)
a. 不同物體類別評估
研究人員在4個類別的固定銜接物體上，對最新的方法進行了評估。
如下圖6所示，呈現(xiàn)了從行為克隆初始策略開始，利用在線交互進行5次迭代微調(diào)的持續(xù)適應(yīng)性能。
每次改進迭代包括5次策略rollout，之后使用等式5中的損失對模型進行更新。
可以看到，最新方法將所有對象的平均成功率從50%提高到95%。因此，通過在線交互樣本不斷學(xué)習(xí)能夠克服初始行為克隆策略的有限泛化能力。
自適應(yīng)學(xué)習(xí)過程能夠從獲得高獎勵的軌跡中學(xué)習(xí)，然后改變其行為，更頻繁地獲得更高的獎勵。
在BC策略性能尚可的情況下，比如平均成功率約為70%的C類和D類對象，RL能夠?qū)⒉呗酝晟频?00%的性能。
此外，即使初始策略幾乎無法執(zhí)行任務(wù)，強化學(xué)習(xí)也能夠?qū)W習(xí)如何操作對象。這從A類實驗中可以看出，模仿學(xué)習(xí)策略的成功率非常低，只有10%，完全無法打開兩扇門中的一扇。
通過不斷的練習(xí)，RL的平均成功率可以達到90%。
這表明，RL可以從模仿數(shù)據(jù)集中探索出可能不在分布范圍內(nèi)的動作，并從中學(xué)習(xí)，讓機器人學(xué)會如何操作未見過的新穎的鉸接物體。
b. Action-replay基線
還有另一種非常簡單的方法，可以利用演示數(shù)據(jù)集在新對象上執(zhí)行任務(wù)。
研究團隊針對2個特別難以進行行為克隆的對象（A類和B類各一個（按壓杠桿和旋鈕手柄）運行了這一基線。
這里，采取了開環(huán)和閉環(huán)兩種方式對這一基線進行評估。
在前一種情況下，只使用第一張觀察到的圖像進行比較，并執(zhí)行整個檢索到的動作序列；而在后一種情況下，每一步執(zhí)行后都會搜索最近的鄰居，并執(zhí)行相應(yīng)的動作。
從表3中可以看出，這種方法非常無效，進一步凸顯了實驗中訓(xùn)練對象和測試對象之間的分布差距。
c. 通過VLM自主獎勵
CMU團隊還研究是否可以通過自動程序來提供獎勵，從而取代人工操作。
正如Action-replay基線一樣，研究人員在兩個測試門上對此進行評估，每個門都從把手和旋鈕類別進行評估。
從表2中，使用VLM獎勵的在線自適應(yīng)性能與使用人類標注的地面實況獎勵相近，平均為80%，而使用人類標注的獎勵則為90%。
另外，研究人員還在圖7中報告了每次訓(xùn)練迭代后的性能。學(xué)習(xí)循環(huán)中不再需要人類操作員，這為自主訓(xùn)練和改進提供了可能性。
為了成功操作各種門，機器人需要足夠堅固才能打開并穿過它們。
研究人員根據(jù)經(jīng)驗與另一種流行的移動操縱系統(tǒng)進行比較，即Stretch RE1（Hello Robot）。
他們測試機器人由人類專家遠程操作，以打開不同類別的兩扇門的能力，特別是杠桿門和旋鈕門。每個物體都進行了5次試驗。
如表IV所示，這些試驗的結(jié)果揭示了Stretch RE1的一個重大局限性：即使由專家操作，其有效負載能力也不足以打開真正的門，而CMU提出的AI系統(tǒng)在所有試驗中都取得了成功。
總而言之，CMU團隊在這篇文章中提出了一個全棧系統(tǒng)，用于在開放世界中進行自適應(yīng)學(xué)習(xí)，以操作各種鉸接式物體，例如門、冰箱、櫥柜和抽屜。
最新AI系統(tǒng)通過使用高度結(jié)構(gòu)化的動作空間，能夠從很少的在線樣本中學(xué)習(xí)。通過一些訓(xùn)練對象的演示數(shù)據(jù)集進一步構(gòu)建探索空間。
CMU提出的方法能夠?qū)碜?個不同對象類別中，8個不可見對象的性能提高約50%-95%。
值得一提的是，研究還發(fā)現(xiàn)這一系統(tǒng)還可以在無需人工干預(yù)的情況下通過VLM的獎勵進行學(xué)習(xí)。
參考資料：
https://twitter.com/DrJimFan/status/1750947317975556568
