每次看到人類訓(xùn)練機(jī)器人，我都會很困惑一件事，那就是在如此殘酷環(huán)境中培養(yǎng)出來的技能，到底能在現(xiàn)實(shí)世界中用上幾回?

像是狠狠從背后踹它一腳，讓它倒地后再爬起來;讓兩個機(jī)器人斗毆在地上瘋狂摩擦;又或者是在十幾米的高臺不停地跳高高……

[[255592]]

這么對待重金打造的機(jī)器人，先不說畫面“不忍直視”，修理損耗難道不要錢的嗎?

后來我明白了，這跟目前的技術(shù)路徑有關(guān)。深度學(xué)習(xí)就是要進(jìn)行大量的實(shí)踐和訓(xùn)練，才能不斷優(yōu)化算法，直至機(jī)器人能夠應(yīng)對真實(shí)世界中各種各樣的狀況。

理論上講，只要時間足夠長、預(yù)算無上限，猴子也能用電腦寫出文學(xué)著作，更何況是算力逆天的機(jī)器。

但這跟我們普通人又有什么關(guān)系呢?我們能否在有生之年用上(而且買得起)可靠解決問題的機(jī)器小助手呢?一萬年太久，我們只爭朝夕好嗎?

最近，伯克利和谷歌大腦開發(fā)的強(qiáng)化學(xué)習(xí)算法——soft actor-critic(SAC)，據(jù)說就現(xiàn)實(shí)世界的機(jī)器人學(xué)習(xí)，或許，有望改變一下訓(xùn)練機(jī)器人的古早思維。

今天我們就來聊聊，SAC會如何改變機(jī)器人的“成材之路”?

為什么想要一個rio的機(jī)器人，這么難?

在介紹SAC這個新算法之前，有必要先解釋一下，是不是一定要有更好的機(jī)器人算法呢?或者說，這個算法到底能夠改變什么?

這要從機(jī)器人在現(xiàn)實(shí)世界中遇到的挑戰(zhàn)來解答。

首先，是目前的訓(xùn)練方式，決定了機(jī)器掌握新技能的速度還遠(yuǎn)遠(yuǎn)不夠。

傳統(tǒng)的機(jī)器學(xué)習(xí)算法，每次執(zhí)行新任務(wù)時，都需要對原型設(shè)計(jì)進(jìn)行參數(shù)調(diào)整，有的還需要重新收集數(shù)據(jù)進(jìn)行訓(xùn)練，這就使得機(jī)器新技能所需的總時間迅速增加;

其次，現(xiàn)實(shí)場景中的無數(shù)意外，都有可能讓機(jī)器出現(xiàn)故障。

真正在使用機(jī)器時，無論出現(xiàn)什么問題，比如斷電或者網(wǎng)絡(luò)延遲，機(jī)器都會以“死機(jī)”來應(yīng)對危機(jī)。如果每次都要以“重啟”來恢復(fù)作業(yè)，那應(yīng)用機(jī)器人的價值何在?

以上都是效率問題，傳統(tǒng)訓(xùn)練方式帶來的成本困境，更是令研究人員愁到禿頭。

無論是訓(xùn)練人員人為制造bug的操作，還是執(zhí)行器在種種復(fù)雜環(huán)境下的高頻抖動，都會給硬件帶來極大的磨損。這是機(jī)器人嗎?這是鈔票粉碎機(jī)啊!

當(dāng)然，人類也不是沒有想過辦法。比如讓機(jī)器人打游戲啦，設(shè)計(jì)仿真環(huán)境啦，這些努力都大大減少了對現(xiàn)實(shí)訓(xùn)練的依賴，但歸根結(jié)底，都無法替代現(xiàn)實(shí)環(huán)境的多樣性和隨機(jī)性。最重要的，還是得打造一套專為現(xiàn)實(shí)世界機(jī)器人“量身定制”的算法。

真實(shí)世界的機(jī)器人，到底需要怎樣的算法?

那么，這樣一套算法應(yīng)該具備哪些屬性呢?

至少需要有這樣幾個關(guān)鍵要素：

1.良好樣本復(fù)雜性。提供給算法的訓(xùn)練樣本數(shù)量越多，機(jī)器獲得數(shù)據(jù)標(biāo)簽的時間成本也就越低，返回的誤差也更小，在強(qiáng)化學(xué)習(xí)中的表現(xiàn)自然也就越出色;

2.沒有敏感的超參數(shù)。為了提高機(jī)器學(xué)習(xí)的性能和效果，往往需要對超參數(shù)進(jìn)行優(yōu)化，但在現(xiàn)實(shí)環(huán)境中，自然是參數(shù)調(diào)整越少越好。算法就需要很大限度地減少調(diào)整超參數(shù)的需求;

3.異步采樣。真實(shí)世界中，難免會出現(xiàn)數(shù)據(jù)流終端、推理延遲等問題，要讓機(jī)器在“重啟”階段也能夠保持一定的持續(xù)性和穩(wěn)定性，就必須將數(shù)據(jù)的收集和訓(xùn)練在確保在最小化的多個獨(dú)立線程中進(jìn)行。

4.動作平滑。為了防止大幅度動作或震動損壞硬件，因此，時間上具有關(guān)聯(lián)和連貫性的探索就變得尤為重要了。

簡單總結(jié)一下，如果我們相信未來真實(shí)世界中的機(jī)器人不可或缺，那么，要求它用長時間、的投入、無數(shù)次的碰壁去掌握這樣那樣的本領(lǐng)，顯然不太明智。

如何讓它自己進(jìn)行有取舍、有現(xiàn)實(shí)意義的訓(xùn)練呢?SAC應(yīng)聲出現(xiàn)。

SAC成功的秘訣，就是心大

說了這么多，正主終于出現(xiàn)了。那么。究竟什么是SAC?

SAC，全稱是Soft actor-critic。從名字不難看出，SAC也是基于Actor-Critic算法的邏輯，即actor(玩家)隨機(jī)表演，critic(評委)隨機(jī)打分，互相制衡下追求更好的表現(xiàn)(reward)。

不同的是，SAC對參數(shù)的態(tài)度十分“溫柔”，它會自動權(quán)衡預(yù)期收益和探索深度，然后自動學(xué)習(xí)不是將其視為需要調(diào)整的“超參數(shù)”，從而獲得最優(yōu)策略。

這樣帶來的好處是，訓(xùn)練樣本多樣，還不需要頻繁調(diào)整參數(shù)，學(xué)習(xí)效率高了很多。即使遇到最差的實(shí)驗(yàn)環(huán)境，也表現(xiàn)良好。

這就像是以前機(jī)器需要在人類親媽“呵護(hù)”之下，點(diǎn)燈熬夜窮經(jīng)皓首地做奧數(shù)題，以期成為“數(shù)學(xué)神童”。如今學(xué)會了勞逸結(jié)合奮發(fā)圖強(qiáng)，拿下高考高分就一本滿足了。顯然，后者才是大多數(shù)普通機(jī)器的榜樣和人類家長應(yīng)該有的期待嘛。

具體表現(xiàn)如何，有請來自“伯克利小學(xué)”的三位機(jī)器人同學(xué)現(xiàn)身說法：

第一個向我們走來的是Minitaur，一個帶有八個驅(qū)動執(zhí)行器的小型四足機(jī)器人。在前進(jìn)時，往往借助控制器追蹤四肢的擺動部位，觀察好各種角度以平衡腿上的力度。如果沒有有效的訓(xùn)練策略，很容易失去平衡而摔倒，摔多了鋼筋鐵骨也會壞的啊。

不過，在掌握了新的學(xué)習(xí)方法之后，由于訓(xùn)練時將數(shù)據(jù)的不確定性最大化，Minitaur不需要任何額外的學(xué)習(xí)，就可以駕馭絕大對數(shù)平衡性的干擾。

第二位是非常靈活的“三指手”同學(xué)，它的任務(wù)是用手旋轉(zhuǎn)“閥門”，使彩色掛鉤朝右。但閥門上安裝了一個小型電機(jī)，受力會自動復(fù)位。因此，每轉(zhuǎn)一次，閥門的初始位置都會被隨機(jī)重置，使得機(jī)器必須重新感知當(dāng)前的閥門方向。這個任務(wù)需要感知預(yù)測，并精準(zhǔn)地控制9個伺服電機(jī)關(guān)鍵來完成，非常具有挑戰(zhàn)性，但我們的“三指手”依然順利完成了任務(wù)。

最后一位機(jī)器人同學(xué)雖然在玩樂高，但并沒有從中得到多少樂趣。因?yàn)橛?xùn)練者要求它在堆疊積木的時候準(zhǔn)確地對準(zhǔn)螺柱以減少摩擦。

除了需要確定關(guān)節(jié)的位置和速度之外，還需要保證末端的力度，并且將復(fù)雜命令同時傳送給7個關(guān)節(jié)。這和要求人類小孩“百步穿楊”有差別嗎?

不過，掌握了SAC大法的機(jī)器并沒有讓人失望，只用3個小時就學(xué)會了如何搞定這個任務(wù)。而以往使用的PPO策略用了7.4小時才搞定。SAC是不是很棒棒?

在論文中，研究人員給SAC用了一個高調(diào)的定語：“state-of-the-art”，可以說是實(shí)至名歸了。

當(dāng)然了，上述還都只是些比較概念化的實(shí)驗(yàn)，真正要將這種能力擴(kuò)展到更具挑戰(zhàn)性的現(xiàn)實(shí)任務(wù)中，還需要大量的優(yōu)化迭代、開發(fā)編碼調(diào)參等工作，不過可以預(yù)測的是，由于SAC的出現(xiàn)，機(jī)器人正在接近概念到實(shí)用的臨界點(diǎn)。

有了這個引路人，機(jī)器人終于可以少受點(diǎn)“虐待”，真正滲透進(jìn)生活的細(xì)節(jié)了。