原创 | 一文读懂多模态强化学习

作者：陈之炎本文约3500字，建议阅读8分钟本文介绍了多模态强化学习。

多模态强化学习是将多个感知模态和强化学习相结合的方法，能够使智能系统从多个感知源中获取信息，并利用这些信息做出更好的决策。这种方法对于处理现实世界中的复杂任务具有潜在的价值，并为智能系统的发展提供了新的研究方向。

强化学习是一种机器学习方法，其通过智能体与环境的交互来学习最优的决策策略。早期的强化学习主要集中在单一模态数据上，如状态信息和奖励信号。经典的强化学习算法，如Q-learning和深度强化学习（DRL），在各种领域取得了重大突破。

多模态学习涉及多个感知模态的融合和处理，如图像、语音、文本等。该领域的研究主要关注如何从多模态数据中提取有用的特征，并利用这些特征进行模式识别、分类和生成等任务。多模态学习已经在计算机视觉、自然语言处理、语音识别等领域取得了显著的成果。

随着多模态学习和强化学习的发展，研究者开始将两者结合起来，形成了多模态强化学习的研究方向。多模态强化学习的目标是通过融合多种感知模态的数据，提供更全面的信息来进行决策和学习。这样的方法可以帮助智能体更好地理解环境和任务，并做出更准确的决策。

2023年5月28日，以李飞飞为代表的人工智能团队，发布了题为“’VIMA: General Robot Manipulation with Multimodal Prompts ”（多模态提示符下的通用机器人操作）一文，正式拉开了多模态智能体强化学习的序幕，接下来，让我们仔细研读一下李飞飞的研究，论文中的代码和演示视频，可在vimalabs.github.io.上获取。

通用机器人操纵任务可以通过多模态提示来表达，李飞飞团队开发了一个新的模拟基准，其中包括成千上万个程序生成的桌面任务，具有多模态提示， 60多万个用于模拟学习的专家轨迹，以及用于系统泛化的四级评估协议。它是一个基于Transformer的机器人智能体（ VIMA ），它能自回归地处理输入提示命令并输出电机功率。VIMA具有实现强大模型可扩展性和数据效率，在给定相同的训练数据的前提下，零样本泛化设置最多可达2.9倍的任务成功率，即便在训练数据少了10倍的情况下， VIMA的性能仍然比最好的竞争变体好2.7倍。

VIMA的目标是构建一个能够执行多模态联运提示的机器人智能体。为了学习有效的多任务机器人策略，VIMA构建出一种具有多任务编码器-解码器架构和以物体为中心的机器人智能体。

具体来说，机器人需要学习策略π (

| P, H) ，其中H: =[

,

,

,

,...,

]表示历史观察

∈O和历史动作

∈ A在步长内的相互作用。对多模态联运提示进行编码。

在利用交叉注意力层对输入提示进行编码过程中，冻结预训练语言模型和解码机器人动作命令， VIMA采用以物体为中心的表示，从边界框坐标和裁剪的RGB补丁中计算标记。

词汇切分提示中有三种格式的原始输入：文本、单个物体的图像和完整桌面场景的图像。对于文本输入，使用预训练的T5标记器和词嵌入来获取单词标记；对于完整桌面场景的图像，首先使用域微调的Mask R-CNN 提取出单个物体。将每个物体表示为装订框和裁剪的图像。然后，通过使用边界框编码器和ViT 分别对其进行编码来计算出物体标记。由于Mask R-CNN的不完美性，物体的边界框可能会有噪声，裁剪的图像可能具有不相关的像素；对于单个物体的图像，以相同的方式获取标记，使用虚拟边界框。提示标记化后，将生成一系列交错的文本和视觉标记，然后通过预训练的T5编码器对提示进行编码。由于T5已经在大型文本语料库上进行了预训练，因此VIMA继承了语义理解能力和鲁棒性。

机器人控制器。设计多任务策略的挑战性是选择合适的调节机制。在架构图1 中，机器人控制器（解码器）由提示序列P和历史轨迹序列H 之间的交叉注意力层实现调节。

VIMA 模型采用了Transformer架构，在PyTorch 框架下实现,VIMA 的架构如下：

图1 VIMA 架构图

1.多模态提示标记化

通常有三种格式的多模态提示符，文本输入、全景图片和单个物体图片。对于文本输入提示符，按照自然语言处理标准管道，将源语言标记化，作为T5 预训练标记的输入，通过T5 预训练模型嵌入查找表获取对应单词标记；对于全景图片提示符，首先利用Mask R-CNN检测模型对全景图片进行微调，提取出其中的单个物体，每个物体用一张图片和一个边界框表示。边界框的格式为 xcenter, ycenter, height, width（横坐标中心，纵坐标中心，高度和宽度），将每个维度值除以上边界的坐标值之后，对边界框格式值进行归一化，使其在[0,1] 之间。将边界框的值输入MLP边界框编码器，提取出特征向量。处理单张图片时，先将矩形图片处理成正方形图片，再将图片大小修正为预配置的大小，将其送入ViT中提取出图片特征。最终获得物体的标记，并携带边界框特征和图片特征，将它们映射为嵌入维度；对于单个物体图片输入提示符，作上述相同的处理，唯一的区别是单个物体图片输入提示符没有边界框，标记化模型的超参数在表1 中列出：

表1 标记化模型的超参数列表

在获取到提示的标记序列之后，将其传递给预训练的t5-base编码器，生成提示编码。为了防止发生灾难性遗忘，在物体标记和T5 编码器之间加入MLP 适配器，VIMA 会冻结其他层，只对语言编码器的最后两层进行微调，采用绝对位置编码进行学习，模型超参数在表1 中列出。

2.观察编码

全部的RGB 观察均为全景图片，同理，按照上述流程获取到物体的标记，由于需要提供前视和由上到下俯视两种视图，对物体对象按照前视和由上到下俯视的顺序对物体标记进行排序，对最终效果的状态进行独热编码。将物体标记与最终效果状态级联并将其转化为观察标记。采用绝对位置编码进行学习，观察编码的模型超参数在表2 中列出

表2 观察编码模型的超参数列表

3.动作编码

在实现观察编码的同时，VITA 模型也要实现动作编码，和历史动作相交织，需要对过往动作标记化，动作编码利用双层MLP 对过往动作实现编码，隐含层维度为256，将输出映射为标记维度，从而获取到动作标记。

4. 序列建模

VIMA 机器人控制为一个解码器，能够自回归预测未来动作。为了解码提示标记，在历史标记和提示标记之间执行交叉注意力机制，具体来说，将历史标记当作Query序列，提示标记当作 Key-value 序列，输入到交叉注意力模块当中。再将输出的“提示知晓轨迹”标记输入到自注意力模块当中，交替使用交叉注意力模块和自注意力模块L 次，这一过程可以用以下伪代码来描述。

5.动作解码

获取到预测动作标记之后，将其映射到动作空间A得到预测的动作，通过一组动作头来实现动作解码。动作空间中包含两组SE(2) 姿态，每一组姿态用六个独立的头（两个头代表x，y坐标，四个头代表四象旋转）解码离散动作，最后将这些离散动作集成映射为连续的动作。两组姿态独立建模，由于采用的是交替注意力机制，两组姿态的性能相当。动作解码的模型超参数见表3。

表3 动作解码的模型超参数

结论

李飞飞团队的研究工作引入了一种新颖的多模态提示公式，将各种机器人操作任务转换为均匀序列建模问题。并在VIMA-B ENCH中实例化了这种架构， VIMA-B ENCH是一种具有多模态任务和系统评估协议的基准。VIMA的概念为基于Transformer的智能体，能够实现视觉目标达成、一次性视频模拟和单一模型的新概念落地等任务。通过多方面的实验，证明了VIMA具有很强的模型可扩展性和零样本泛化能力。可以将VIMA多模态智能体设计作为未来工作的起点。

编辑：王菁

校对：汪雨晴