人工智能領(lǐng)域的下一個發(fā)展機(jī)會，有可能是給AI模型裝上一個「身體」，與真實世界進(jìn)行互動來學(xué)習(xí)。

相比現(xiàn)有的自然語言處理、計算機(jī)視覺等在特定環(huán)境下執(zhí)行的任務(wù)來說，開放領(lǐng)域的機(jī)器人技術(shù)顯然更難。

比如prompt-based學(xué)習(xí)可以讓單個語言模型執(zhí)行任意的自然語言處理任務(wù)，比如寫代碼、做文摘、問答，只需要修改prompt即可。

但機(jī)器人技術(shù)中的任務(wù)規(guī)范種類更多，比如模仿單樣本演示、遵照語言指示或者實現(xiàn)某一視覺目標(biāo)，這些通常都被視為不同的任務(wù)，由專門訓(xùn)練后的模型來處理。

最近來自英偉達(dá)、斯坦福大學(xué)、瑪卡萊斯特學(xué)院、加州理工、清華大學(xué)和得克薩斯大學(xué)奧斯汀分校的研究人員共同提出一個基于Transformer的通用機(jī)器人智能體VIMA，利用多模態(tài)的prompt，實現(xiàn)極高的泛化性能，能夠處理大量的機(jī)器人操作任務(wù)。

論文鏈接：https://arxiv.org/abs/2210.03094

項目鏈接：https://vimalabs.github.io/

代碼鏈接：https://github.com/vimalabs/VIMA

輸入prompt為交錯使用的文字和視覺符號。

為了訓(xùn)練和評估VIMA，研究人員提出了一個新的模擬基準(zhǔn)數(shù)據(jù)集，包含上千個由程序生成的帶有多模態(tài)提示的桌面任務(wù)，和60多萬條專家軌跡用于模仿學(xué)習(xí)，以四個等級來評估模型的泛化性能。

在同等尺寸的模型、等量訓(xùn)練數(shù)據(jù)的情況下，VIMA在最難的zero-shot的泛化設(shè)置下任務(wù)成功率為當(dāng)下sota方法的2.9倍。

在訓(xùn)練數(shù)據(jù)減少10倍的情況下，VIMA的表現(xiàn)仍然比其他方法好2.7倍。

目前所有的代碼、預(yù)訓(xùn)練模型、數(shù)據(jù)集和模擬基準(zhǔn)都已完全開源。

論文的第一作者是Yunfan Jiang，斯坦福大學(xué)碩士二年級學(xué)生，目前在英偉達(dá)研究院實習(xí)。2020年本科畢業(yè)于愛丁堡大學(xué)。他的主要研究方向為具身人工智能（embodied AI），即通過與環(huán)境的互動來學(xué)習(xí)。具體研究內(nèi)容為如何利用大規(guī)模的基礎(chǔ)模型來實現(xiàn)開放式的的具身智能體（embodied agents）

論文包含兩位導(dǎo)師，均為李飛飛曾經(jīng)的學(xué)生。

朱玉可，本科畢業(yè)于浙江大學(xué)，并取得了浙江大學(xué)和加拿大西蒙弗雷澤大學(xué)的雙學(xué)位。碩士和博士研究生就讀于斯坦福大學(xué)，師從李飛飛，并于2019年8月取得博士學(xué)位。朱玉可現(xiàn)任UT Austin計算機(jī)科學(xué)系助理教授，同時是機(jī)器人感知和學(xué)習(xí)實驗室的主任，以及英偉達(dá)研究院高級研究科學(xué)家。

范麟熙，博士畢業(yè)于斯坦福大學(xué)，師從李飛飛，目前是NVIDIA AI的研究科學(xué)家。主要研究方向為開發(fā)通用且強(qiáng)大的自主智能體（generally capable autonomous agents），具體的研究工作涵蓋了基礎(chǔ)模型、策略學(xué)習(xí)、機(jī)器人技術(shù)、多模式學(xué)習(xí)和大規(guī)模系統(tǒng)。

機(jī)器人與多模態(tài)prompt

Transformer在NLP領(lǐng)域多任務(wù)已經(jīng)實現(xiàn)相當(dāng)高的性能，僅一個模型就能同時完成問答、機(jī)器翻譯、文本摘要等。

實現(xiàn)不同任務(wù)的接口就在于輸入的文本提示，從而將具體的任務(wù)需求傳遞給通用大模型。

能不能把這種prompt接口用在通用機(jī)器人智能體上呢？

對于一個家務(wù)機(jī)器人來說，理想情況下，只需要輸入給我拿<杯子的圖像>，機(jī)器人就可以按照圖片把杯子拿過來。

當(dāng)機(jī)器人需要學(xué)習(xí)新技能時，最好可以通過輸入視頻演示就能學(xué)習(xí)。如果機(jī)器人需要與不熟悉的物體進(jìn)行互動時，只需要通過圖例即可輕松解釋。

同時為了確保安全部署，用戶可以進(jìn)一步指定視覺約束，比如不要進(jìn)入<圖像>房間

為了實現(xiàn)這些功能，VIMA模型主要包含三部分：

1、 形式化多模態(tài)提示，將機(jī)器人操縱任務(wù)轉(zhuǎn)化為一個序列建模問題；

2、一個新的機(jī)器人智能體模型，能夠進(jìn)行多任務(wù)操作 

3、一個具有不同任務(wù)的大規(guī)?；鶞?zhǔn)，以系統(tǒng)地評估智能體的可擴(kuò)展性和通用性

首先，由多模態(tài)提示帶來的靈活性可以讓開發(fā)者指定和構(gòu)建一個模型即可支持大量的任務(wù)規(guī)范，這篇論文中主要考慮六類任務(wù)：

1、簡單物體操縱（Simple object manipulation），任務(wù)提示形如put <object> into <container>，其中對應(yīng)的槽位為物體的圖像；

2、實現(xiàn)視覺目標(biāo)（Visual goal reaching），操縱物體實現(xiàn)目標(biāo)設(shè)置，比如重新排列（rearragement）；

3、接納新概念（Novel concept grounding），提示中包含一些不常見的詞，例如dax, blicket等，可以通過在提示內(nèi)的圖像進(jìn)行解釋，然后直接在指令中使用，可以測試智能體對新概念的認(rèn)知速度；

4、單樣本視頻模仿（One-shot video imitation），觀看視頻演示，并學(xué)習(xí)如何以相同的移動路徑對一個特定物體進(jìn)行復(fù)現(xiàn)；

5、滿足視覺限制（Visual constraint satisfaction），機(jī)器人必須小心地操縱物體，來避免觸犯安全性限制；

6、視覺推理（Visual reasoning），有一些任務(wù)要求智能體需要會推理，比如「把所有和<object>相同紋理的物體都放到一個容器中」，或者要求視覺記憶，如「把<object>放到容器中，然后再放回到原位」

需要注意的是，這六類任務(wù)并非互斥，比如有的任務(wù)可能會通過演示視頻（imitation）引入了一個之前沒見過的動詞（Novel Concept）

新基準(zhǔn)VIM-BENCH

巧婦難為無米之炊，為了訓(xùn)練模型，研究人員同時準(zhǔn)備了一些配套數(shù)據(jù)作為多模態(tài)機(jī)器人學(xué)習(xí)基準(zhǔn)VIMA-BENCH。

在仿真環(huán)境（Simulation Environment）上，現(xiàn)有的基準(zhǔn)一般都是針對特定的任務(wù)規(guī)范，目前還沒有一個基準(zhǔn)能夠提供豐富的多模態(tài)任務(wù)套件和全面的測試平臺來有針對性地探測代理能力。

為此，研究人員通過擴(kuò)展Ravens機(jī)器人模擬器來建立VIMA-BENCH，支持可擴(kuò)展的物體和紋理集合，以組成多模態(tài)提示，并按程序生成大量的任務(wù)。

具體來說，VIMA-BENCH提供了17個帶有多模態(tài)提示模板的元任務(wù)，可以被實例化為1000個獨立的任務(wù)。每個元任務(wù)屬于上述6種任務(wù)規(guī)范方法中的一種或多種。

VIMA-BENCH可以通過腳本化的oracle智能體生成大量的模仿學(xué)習(xí)數(shù)據(jù)。

在觀察和行動（Observation and Actions）上，模擬器的觀察空間包括從正視圖和自上而下視圖渲染的RGB圖像，基準(zhǔn)還提供真實的物體分割和邊界框，用于訓(xùn)練以物體為中心的模型。

VIM-BENCH從前人工作中繼承了高級動作空間，由最基礎(chǔ)的運動技能組成，如「取放」、「擦拭」等，具體由終端效果的姿勢所決定。

模擬器還具有腳本化的oracle程序，可以通過使用特權(quán)模擬器的狀態(tài)信息，如所有物體的精確位置，以及多模態(tài)指令的基礎(chǔ)解釋，生成專家示范。

最終，研究人員通過預(yù)編程的oracles生成了一個大型的專家軌跡離線數(shù)據(jù)集用于模仿學(xué)習(xí)。數(shù)據(jù)集包括每個元任務(wù)的5萬條軌跡，共計65萬條成功的軌跡。

同時保留一個物體模型和紋理的子集方便評估，并將17個元任務(wù)中的4個用于zero-shot泛化性測試。

VIMA-BENCH的每個任務(wù)標(biāo)準(zhǔn)只有成功和失敗，不存在中間狀態(tài)的獎勵信號。

在測試時，研究人員在物理模擬器中執(zhí)行智能體策略，以計算出成功率，所有評估的元任務(wù)的平均成功率為最終報告的指標(biāo)。

評估協(xié)議包含四個層次以系統(tǒng)地探測智能體的泛化能力，每一級都更多地偏離訓(xùn)練分布，因此嚴(yán)格來說一級比一級難。

1、放置泛化（Placement generalization）：在訓(xùn)練過程中，所有的提示都是逐字逐句的，但在測試時，桌面上的物體放置是隨機(jī)的。

2、組合泛化（Combinatorial generalization）：所有的材料（形容詞）和三維物體（名詞）在訓(xùn)練中都能看到，但在測試中會出現(xiàn)一些新的組合形式。

3、新物體泛化（Novel object generalization）：測試提示和模擬的工作空間包括新的形容詞和物體。

4、新任務(wù)泛化（Novel task generalization）：測試時帶有新提示模板的新型元任務(wù)

VIMA模型

多模態(tài)prompt中總共包含三種格式：

1、文本，使用預(yù)訓(xùn)練的T5模型進(jìn)行分詞及獲取詞向量；

2、整個桌面的場景，首先使用Mask R-CNN識別出所有的獨立物體，每個物體由一個bounding box和裁剪圖像表示，然后使用一個bounding bo編碼器和ViT分別進(jìn)行編碼。

3、單個物體的圖像，同樣使用ViT獲得tokens，然后將結(jié)果序列輸入到預(yù)訓(xùn)練的T5編碼器模型中。

機(jī)器人控制器（Robot Controller），即解碼器的輸入為提示序列上進(jìn)行多次交叉注意力層后的表示和軌跡歷史序列。

這樣的設(shè)計可以增強(qiáng)對prompt的連接度；更好地保留且更深地處理原始prompt tokens；更好的計算效率。

在測試階段的實驗設(shè)計，主要為了回答三個問題：

1、VIMA和之前的SOTA基于Transformer的智能體在多模態(tài)提示的多種任務(wù)上的性能對比；

2、VIMA在模型容量和數(shù)據(jù)量上的縮放性（scaling properties）；

3、不同的視覺分詞器，條件提示和條件編碼是否會影響到最終的決策。

對比的基線模型包括Gato, Flamingo和Decision Transformer(DT)

首先在模型縮放（Model scaling）上，研究人員對所有方法從2M到200M參數(shù)量進(jìn)行訓(xùn)練，編碼器的尺寸始終保持為T5-base，在所有層次的zero-shot泛化性評估上，VIMA都絕對好于其他工作。

盡管Gato和Flamingo在更大尺寸的模型上性能有所提升，VIMA也仍然好于所有模型。

在數(shù)據(jù)縮放（Data scaling）上，研究人員對各個方法的訓(xùn)練數(shù)據(jù)采取0.1%, 1%, 10%和全量模仿學(xué)習(xí)數(shù)據(jù)集的不同實驗，VIMA僅需1%的數(shù)據(jù)，就能實現(xiàn)其他方法用10倍的數(shù)據(jù)訓(xùn)練的L1和L2泛化性指標(biāo)。在L4指標(biāo)上，僅需1%的訓(xùn)練數(shù)據(jù)，VIMA就已經(jīng)要比其他模型在全量數(shù)據(jù)上訓(xùn)練效果要好了。

在漸進(jìn)泛化（Progressive Generalization）性能對比中，在面向更難的泛化任務(wù)中，沒有采用任何微調(diào)。VIMA模型的性能倒退最少，尤其是從L1到L2和L1到L3，而其他模型退化超過了20%，這也意味著VIMA學(xué)習(xí)到了更泛化的策略，更健壯的表征。 

參考資料：

https://arxiv.org/abs/2210.03094