RT-1：Robotics Transformer for Real-world Control at Scale
Date：2022-12-14
论文链接：https://arxiv.org/abs/2212.06817
原文代码仓库：google-research/robotics_transformer
模型使用数据集：gresearch – 存储桶详情 – Cloud Storage – Google Cloud Console
提出具有高容量结构（with high-capacity architectures）的Vision-Language-Action（VLA）多模态大模型Robotics Transformer，结合真实机器人执行实际任务时所收集到的大规模数据（all of the diverse, robotic data：图像/视觉-语音/语言-行为），进行开放式的任务无偏训练（open-ended task-agnostic training），从而提高模型的可扩展性，但模型充分利用大规模数据集的能力仍然有限。
Background
- 在计算机视觉（CV）、自然语言处理（NLP）或语音识别等下游任务中，通过在多样化且任务无偏的大型数据集上进行预训练，现代机器学习模型已经可以在零样本（Zero-Shot）学习与在特定任务的小数据集上进行微调（迁移学习）中有良好的表现；
- 这种技术在机器人中仍未得到广泛运用，同时由于真实世界中的机器人数据难以收集，需要对其可行性进行验证，重点需要关注模型的泛化与微调能力。
Model
工作平台：移动机械手 from Everyday Robots——7自由度手臂+两指夹持器+移动基座
工作模式：接收图像短序列和自然语言指令->输出离散化的基底和手臂动作供机器人在每个时间步执行（闭环控制），直到产生终止动作或用完预设时间步数
动作包括手臂运动的七个维度（x、y、z、roll、pitch、yaw、抓持器打开）、底座运动的三个维度（x、y、yaw）和一个额外的离散维度，用于在三种模式之间切换：控制手臂、控制基座或终止。
参数规模：35M
处理频率：3Hz——100ms推理时间 + 280ms执行延迟
基本架构：
基于Transformer——将高维输入和输出(包括相机图像、文本指令和电机命令)编码成紧凑的token表示供Transformer使用,以高效推理与实时控制
图像和指令（文本）的处理（tokenization）：
- 总体上采用基于 ImageNet 数据集预训练的卷积神经网络 EfficientNet-B3 作为基本框架，在此基础上嵌入预训练的语言编码器进行条件化，以提取与任务指令相关的图像特征
- 参数规模：16M
- 架构：26层【MBConv模块+FiLM层】
- 文本：文本输入Universal Sentence Encoder->嵌入EfficientNet中添加的FiLM层（将产生FiLM仿射变换的密集层(fc和hC)的权重初始化为零，允许FiLM层最初作为恒等映射并保留预训练权重的功能，防止破坏中间激活）
- 图像：输入6张300 * 300的3通道图像->经由CNN输入9 * 9 * 512空间特征图（每张图像）->展平为81个视觉标记
Token Learner 模块：
- 为加速推理，设计该元素注意力模块用于压缩所需注意的tokens数量（81->8）
- 允许基于指令信息软选择图像tokens，只传递重要的token组合给后续的Transformer层
- 参数规模：34k
Transformer ：
- 仅有解码器的序列模型
- 参数规模：19M
- 架构：8个自注意力层
- 输入：每张图像8tokens * 6张输入图像->48个总tokens（添加位置编码）
- 输出：动作tokens（7-dim arm movement + 3-dim base movement + 1-dim 状态切换，共11个维度；对于每个维度，在其变量范围内均匀离散化为256个bin）
损失函数：标准分类交叉熵熵目标与因果掩码
Data
数据规模：用时17个月，通过13个机器人采集了130k+ episodes ，包含700+指令
工作场景：办公室厨房场景（2个真实办公室厨房场景Kitchen1、Kitchen2+1个根据真实场景Kitchen1建模的训练环境）
技能：包括挑选、放置、打开和关闭抽屉、将物品放入和取出抽屉、将细长的物品直立放置、将直立放置的细长物品撞倒、拉餐巾纸和打开罐子
指令：包含一个动词和一个或多个描述目标对象的名词；为组合这些指令，将它们分割成一些技能(如动词“pick”、“open”或“place upright”)和对象Object(如名词“可乐罐”、“苹果”或“抽屉”)；添加新指令时不对特定技能做出任何假设以提高其扩展性。
Experiments
对比的Baseline：Gato和BC-Z（基于相同的训练数据集）
Gato：只计算单张图像标记，无语言嵌入，且无推理时间优化（TokenLearner与删除自动回归动作）；为保证实时性，将模型参数规模限制在37M
BC-Z：作为前馈模型不使用先前时间步，且使用连续动作标记；原模型参数量小于RT-1, 因此额外对比了一个参数规模和RT-1类似的BC-Z模型BC-ZXL
主要关注如下问题：
已见任务的执行性能：
从训练集中随机抽样出部分指令进行测试（仅指令已见，物品位置、时间、机器人初始位置等因素随机）：测试任务200+（36个抓取物体的任务，35个推倒物体的任务，35个将物体竖直放置的任务，48个移动物体的任务，18个打开和关闭不同抽屉的任务，以及36个从抽屉中取出和放入物体的任务）
未知任务的泛化性能：能否学习执行大量指令,并零样本泛化到新任务、对象和环境中?
指令：测试了21个新的未见指令——确保每条指令中涉及的对象与技能中的一部分在训练集中存在，但排列方式不同
根据背景/物体的改变程度分成L1/L2/L3三个任务难度等级：
L1：只改变环境光照与台面布局
L2：改变环境光照与台面布局+加入放置未见物体
L3：改变环境光照与台面布局+加入放置未见物体+改变物体位置
鲁棒性：
干扰因素：对30个真实世界任务进行测试
环境背景变化：对22个真实世界任务进行测试，改变照明、视觉背景效果、台面背景（桌布等）
长时序跨度场景：各种方法在长时间跨度的机器人场景中泛化程度如何?
执行一系列技能，并结合多种泛化维度（技能/物体/环境）进行测试
测试了15个长时序指令，每个指令由10个左右的不同技能指令序列组成
测试结果：
其他问题：
通过合并异构数据源(如模拟数据或不同机器人的数据),我们能否进一步提升所得到的模型?
合并模拟数据
合并不同机器人数据
随着数据量和数据多样性的变化,泛化指标如何改变?
数据多样性比数据量更为重要
环境搭建与测试
- 代码仓库克隆
1 | git clone https://github.com/google-research/robotics_transformer.git |
- python环境配置
1 | pip install -r robotics_transformer/requirements.txt |
注意到requirements.txt中包含
1 | git+https://github.com/google-research/tensor2robot#tensor2robot |
由于该git仓库无法作为pip包直接安装，还需要克隆该仓库：
1 | git clone https://github.com/google-research/tensor2robot |
克隆完成后输入如下命令运行测试程序（这里原作github仓库中有误，将action_tokenizer.test改为action_tokenizer_test）：
1 | python -m robotics_transformer.tokenizers.action_tokenizer_test |
无法正常运行，需要根据报错进行对应库版本的修正，同时根据tensor2robot仓库中的说明，使用protoc工具通过proto文件生成对应的py代码文件，具体不详细展开。
环境配置完成后，出现如下输出，说明测试程序运行成功。
RT-1：Robotics Transformer for Real-world Control at Scale
