比斯坦福炒蝦機(jī)器人還厲害的機(jī)器人來了！

最近，CMU的研究者只花費(fèi)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(jī)器人。

厲害之處就在于，它是完全自主完成操作的。

看，這個機(jī)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(jī)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(jī)器人也順利打開了！

英偉達(dá)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(jī)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(jìn)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(jìn)行預(yù)訓(xùn)練一樣，機(jī)器人可以對人類收集的軌跡進(jìn)行預(yù)訓(xùn)練（通過遠(yuǎn)程控制），然后通過新場景進(jìn)行RLHF，這樣就掌握了訓(xùn)練以外的技能。

這項(xiàng)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(jī)械臂帶出實(shí)驗(yàn)室的好裝置?！?/span>

「太令人激動了，讓機(jī)器人在線學(xué)習(xí)技能前景巨大！」

「如此便宜的定制硬件，會讓移動操作變得瘋狂?！?/span>

「永遠(yuǎn)不要惹一個機(jī)器人，它已經(jīng)學(xué)會開門了。」

讓我們具體看看，這個機(jī)器人是如何完成未見過的開門任務(wù)。

機(jī)器人自適應(yīng)學(xué)習(xí)，性能暴漲至90%

當(dāng)前多數(shù)機(jī)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(jī)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(diǎn)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(jī)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(jī)器人不斷從交互中收集在線樣本進(jìn)行學(xué)習(xí)。

這樣一來，即使機(jī)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(shí)現(xiàn)自適應(yīng)。

為了實(shí)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(yuǎn)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(qiáng)有力的先驗(yàn)，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(tuán)隊(duì)在打造Mobile ALOHA的所有成本用了3萬美元。

而這次，CMU團(tuán)隊(duì)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(jī)器人。

如下圖3所示，展示了機(jī)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(fù)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?yàn)槭占F(xiàn)實(shí)世界樣本的成本很高。

使用的移動機(jī)械手臂如圖所示。

手臂采用了xArm進(jìn)行操作，有效負(fù)載為5公斤，成本較低，可供研究實(shí)驗(yàn)室廣泛使用。

CMU機(jī)器人系統(tǒng)使用了Jetson計(jì)算機(jī)來支持傳感器、底座、手臂，以及托管LLM的服務(wù)器之間的實(shí)時通信。

對于實(shí)驗(yàn)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(jì)，這對于在執(zhí)行RL試驗(yàn)時重置機(jī)器人至關(guān)重要。

另外，機(jī)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(jìn)行比較。

看得出，CMU的機(jī)器人系統(tǒng)不論是在手臂負(fù)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。

原始實(shí)現(xiàn)

參數(shù)化原始動作空間的實(shí)現(xiàn)細(xì)節(jié)如下。

為了實(shí)現(xiàn)這個動作，對于從實(shí)感相機(jī)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(jì)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(jī)校準(zhǔn)，將把手的2D掩碼中心投影到3D坐標(biāo)，這就是標(biāo)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?yàn)楦鶕?jù)把手的類型，機(jī)器人可能需要到達(dá)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(diǎn)。

約束移動操縱

對于機(jī)器人手臂末端執(zhí)行器和機(jī)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(yùn)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(jī)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(yùn)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(xiàng)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(jī)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(jī)器人系統(tǒng)可能遇到的各種日常鉸接物體。

然而，總還有機(jī)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(shí)驗(yàn)。

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(xiàng)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(jìn)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(qiáng)化學(xué)習(xí)(RL)在線適應(yīng)的系統(tǒng)。

確保機(jī)器人所采取的探索動作對其硬件來說是安全的，這一點(diǎn)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(jī)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(jī)制。

如果機(jī)器人采樣到導(dǎo)致關(guān)節(jié)電流達(dá)到閾值的動作，該事件就會終止，并重置機(jī)器人，以防止手臂可能會損害到自身，并且會提供負(fù)面獎勵，來抑制此類行為。

在實(shí)驗(yàn)中，人類操作員會給機(jī)器人提供獎勵。

如果機(jī)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(jī)制是可行的，因?yàn)橄到y(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(jì)算兩個文本提示與機(jī)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(jì)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(hù)，獎勵為-1。

在這個過程中，機(jī)器人會采用視覺里程計(jì)，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?/span>

每次行動結(jié)束時，機(jī)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(jì)算獎勵。

然后，研究者對SE2基地位置進(jìn)行隨機(jī)擾動，以便策略變得更加穩(wěn)健。

此外，如果獎勵為1，門被打開時，機(jī)器人就會有一個腳本例程，來把門關(guān)上。

實(shí)驗(yàn)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(jī)器人系統(tǒng)進(jìn)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(jì)與其他平臺相比如何？（硬件部分已進(jìn)行了比較）

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(jìn)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(jìn)行5次迭代微調(diào)的持續(xù)適應(yīng)性能。

每次改進(jìn)迭代包括5次策略rollout，之后使用等式5中的損失對模型進(jìn)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(qiáng)化學(xué)習(xí)也能夠?qū)W習(xí)如何操作對象。這從A類實(shí)驗(yàn)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(dá)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(jī)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(tuán)隊(duì)針對2個特別難以進(jìn)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(yùn)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(jìn)行評估。

在前一種情況下，只使用第一張觀察到的圖像進(jìn)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(jìn)一步凸顯了實(shí)驗(yàn)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(tuán)隊(duì)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(jìn)行評估，每個門都從把手和旋鈕類別進(jìn)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(biāo)注的地面實(shí)況獎勵相近，平均為80%，而使用人類標(biāo)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(jìn)提供了可能性。

為了成功操作各種門，機(jī)器人需要足夠堅(jiān)固才能打開并穿過它們。

研究人員根據(jù)經(jīng)驗(yàn)與另一種流行的移動操縱系統(tǒng)進(jìn)行比較，即Stretch RE1（Hello Robot）。

他們測試機(jī)器人由人類專家遠(yuǎn)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(jìn)行了5次試驗(yàn)。

如表IV所示，這些試驗(yàn)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(fù)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(yàn)中都取得了成功。

總而言之，CMU團(tuán)隊(duì)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(jìn)行進(jìn)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(jìn)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(jìn)行學(xué)習(xí)。

作者介紹

Haoyu Xiong

Haoyu Xiong是CMU計(jì)算機(jī)科學(xué)學(xué)院機(jī)器人研究所的研究生研究員，專注于人工智能和機(jī)器人技術(shù)。他的導(dǎo)師是Deepak Pathak。

Russell Mendonca

Russell Mendonca是CMU大學(xué)機(jī)器人研究所的三年級博士生，導(dǎo)師是Deepak Pathak。他本人對機(jī)器學(xué)習(xí)、機(jī)器人學(xué)和計(jì)算機(jī)視覺中的問題非常感興趣。

之前，他曾畢業(yè)于加州大學(xué)伯克利分校電氣工程和計(jì)算機(jī)科學(xué)專業(yè)，并在伯克利人工智能實(shí)驗(yàn)室（BAIR）與Sergey Levine教授一起研究強(qiáng)化學(xué)習(xí)。

Kenneth Shaw

Kenneth Shaw是卡內(nèi)基梅隆大學(xué)機(jī)器人研究所的一年級博士生，導(dǎo)師同樣是Deepak Pathak。他的研究重點(diǎn)是，實(shí)現(xiàn)與人類一樣的機(jī)械手的靈巧操作。機(jī)械手應(yīng)該如何設(shè)計(jì)成是何在我們的日常生活中應(yīng)用？我們?nèi)绾谓虣C(jī)械手模仿人類？最后，我們?nèi)绾问褂媚M和大規(guī)模數(shù)據(jù)來解鎖新的靈巧操作行為？

Deepak Pathak

Deepak Pathak是卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)科學(xué)學(xué)院的助理教授，還是機(jī)器人研究所的成員。他的工作是人工智能，是計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)和機(jī)器人學(xué)的交匯點(diǎn)。