基礎(chǔ)模型能為機(jī)器人帶來怎樣的可能性？

基礎(chǔ)模型 (Foundation Models) 已經(jīng)在過去幾年里重塑了自然語言處理 (NLP) 和計(jì)算機(jī)視覺 (CV) 研究的格局，那么基礎(chǔ)模型能為機(jī)器人帶來怎樣的可能性？這篇綜述或許有你想要的答案。

機(jī)器人是一種擁有無盡可能性的技術(shù)，尤其是當(dāng)搭配了智能技術(shù)時(shí)。近段時(shí)間創(chuàng)造了許多變革性應(yīng)用的大模型有望成為機(jī)器人的智慧大腦，幫助機(jī)器人感知和理解這個(gè)世界并制定決策和進(jìn)行規(guī)劃。 ? 近日，CMU 的 Yonatan Bisk 和 Google DeepMind 的夏斐（Fei Xia）領(lǐng)導(dǎo)的一個(gè)聯(lián)合團(tuán)隊(duì)發(fā)布了一篇綜述報(bào)告，介紹了基礎(chǔ)模型在機(jī)器人領(lǐng)域的應(yīng)用和發(fā)展情況。報(bào)告的 first aurthor 是 CMU 的博士四年級(jí)學(xué)生胡亞飛（Yafei Hu），他的研究集中在機(jī)器人和人工智能的交叉應(yīng)用上。與他合作的是謝泉廷（Quanting Xie），專注于通過基礎(chǔ)模型探索具身智能（embodied intelligence）。

開發(fā)能自主適應(yīng)不同環(huán)境的機(jī)器人是人類一直以來的一個(gè)夢想，但這卻是一條漫長且充滿挑戰(zhàn)的道路。之前，利用傳統(tǒng)深度學(xué)習(xí)方法的機(jī)器人感知系統(tǒng)通常需要大量有標(biāo)注數(shù)據(jù)來訓(xùn)練監(jiān)督學(xué)習(xí)模型，而如果通過眾包方式來標(biāo)注大型數(shù)據(jù)集，成本又非常高。 ? 此外，由于經(jīng)典監(jiān)督學(xué)習(xí)方法的泛化能力有限，為了將這些模型部署到具體的場景或任務(wù)，這些訓(xùn)練得到的模型通常還需要精心設(shè)計(jì)的領(lǐng)域適應(yīng)技術(shù)，而這又通常需要進(jìn)一步的數(shù)據(jù)收集和標(biāo)注步驟。類似地，經(jīng)典的機(jī)器人規(guī)劃和控制方法通常需要仔細(xì)地建模世界、智能體自身的動(dòng)態(tài)和 / 或其它智能體的動(dòng)態(tài)。這些模型通常是針對(duì)各個(gè)具體環(huán)境或任務(wù)構(gòu)建的，而當(dāng)情況有變時(shí)，就需要重新構(gòu)建模型。這說明經(jīng)典模型的遷移性能也有限。 ?

事實(shí)上，對(duì)于很多用例，構(gòu)建有效模型的成本要么太高，要么就完全無法辦到。盡管基于深度（強(qiáng)化）學(xué)習(xí)的運(yùn)動(dòng)規(guī)劃和控制方法有助于緩解這些問題，但它們?nèi)耘f會(huì)受到分布移位（distribution shift）和泛化能力降低的影響。 ? 雖然在開發(fā)通用型機(jī)器人系統(tǒng)上正面臨諸多挑戰(zhàn)，但自然語言處理（NLP）和計(jì)算機(jī)視覺（CV）領(lǐng)域近來卻進(jìn)展迅猛，其中包括用于 NLP 的大型語言模型（LLM）、用于高保真圖像生成的擴(kuò)散模型、用于零樣本 / 少樣本生成等 CV 任務(wù)的能力強(qiáng)大的視覺模型和視覺語言模型。

所謂的「基礎(chǔ)模型（foundation model）」其實(shí)就是大型預(yù)訓(xùn)練模型（LPTM）。它們具備強(qiáng)大的視覺和語言能力。近來這些模型也已經(jīng)在機(jī)器人領(lǐng)域得到應(yīng)用，并有望賦予機(jī)器人系統(tǒng)開放世界感知、任務(wù)規(guī)劃甚至運(yùn)動(dòng)控制能力。除了將現(xiàn)有的視覺和 / 或語言基礎(chǔ)模型用于機(jī)器人領(lǐng)域，也有研究團(tuán)隊(duì)正針對(duì)機(jī)器人任務(wù)開發(fā)基礎(chǔ)模型，比如用于操控的動(dòng)作模型或用于導(dǎo)航的運(yùn)動(dòng)規(guī)劃模型。這些機(jī)器人基礎(chǔ)模型展現(xiàn)出了強(qiáng)大的泛化能力，能適應(yīng)不同的任務(wù)甚至具身方案。也有研究者直接將視覺 / 語言基礎(chǔ)模型用于機(jī)器人任務(wù)，這展現(xiàn)出了將不同機(jī)器人模塊融合成單一統(tǒng)一模型的可能性。 ? 盡管視覺和語言基礎(chǔ)模型在機(jī)器人領(lǐng)域前景可期，全新的機(jī)器人基礎(chǔ)模型也正在開發(fā)中，但機(jī)器人領(lǐng)域仍有許多挑戰(zhàn)難以解決。 ?

從實(shí)際部署角度看，模型往往是不可復(fù)現(xiàn)的，無法泛化到不同的機(jī)器人形態(tài)（多具身泛化）或難以準(zhǔn)確理解環(huán)境中的哪些行為是可行的（或可接受的）。此外，大多數(shù)研究使用的都是基于 Transformer 的架構(gòu)，關(guān)注的重點(diǎn)是對(duì)物體和場景的語義感知、任務(wù)層面的規(guī)劃、控制。而機(jī)器人系統(tǒng)的其它部分則少有人研究，比如針對(duì)世界動(dòng)態(tài)的基礎(chǔ)模型或可以執(zhí)行符號(hào)推理的基礎(chǔ)模型。這些都需要跨領(lǐng)域泛化能力。 ? 最后，我們也需要更多大型真實(shí)世界數(shù)據(jù)以及支持多樣化機(jī)器人任務(wù)的高保真度模擬器。 ? 這篇綜述論文總結(jié)了機(jī)器人領(lǐng)域使用的基礎(chǔ)模型，目標(biāo)是理解基礎(chǔ)模型能以怎樣的方式幫助解決或緩解機(jī)器人領(lǐng)域的核心挑戰(zhàn)。 ? 在這篇綜述中，研究者使用的「用于機(jī)器人的基礎(chǔ)模型（foundation models for robotics）」這一術(shù)語涵蓋兩個(gè)方面： (1) 用于機(jī)器人的現(xiàn)有的（主要）視覺和語言模型，主要是通過零樣本和上下文學(xué)習(xí)； (2) 使用機(jī)器人生成的數(shù)據(jù)專門開發(fā)和利用機(jī)器人基礎(chǔ)模型，以解決機(jī)器人任務(wù)。 他們總結(jié)了用于機(jī)器人的基礎(chǔ)模型的相關(guān)論文中的方法，并對(duì)這些論文的實(shí)驗(yàn)結(jié)果進(jìn)行了元分析（meta-analysis）。

綜述的整體結(jié)構(gòu)

01??預(yù)備知識(shí)

為了幫助讀者更好地理解這篇綜述的內(nèi)容，該團(tuán)隊(duì)首先給出了一節(jié)預(yù)備知識(shí)內(nèi)容。 他們首先將介紹機(jī)器人學(xué)的基礎(chǔ)知識(shí)以及當(dāng)前最佳技術(shù)。這里主要聚焦于基礎(chǔ)模型時(shí)代之前機(jī)器人領(lǐng)域使用的方法。這里進(jìn)行簡單說明，詳情參閱原論文。

·?機(jī)器人的主要組件可分為感知、決策和規(guī)劃、動(dòng)作生成三大部分。該團(tuán)隊(duì)將機(jī)器人感知分為被動(dòng)感知、主動(dòng)感知和狀態(tài)估計(jì)。

·?在機(jī)器人決策和規(guī)劃部分，研究者分經(jīng)典規(guī)劃方法和基于學(xué)習(xí)的規(guī)劃方法進(jìn)行了介紹。

·?機(jī)器的動(dòng)作生成也有經(jīng)典控制方法和基于學(xué)習(xí)的控制方法。

接下來該團(tuán)隊(duì)又會(huì)介紹基礎(chǔ)模型并主要集中在 NLP 和 CV 領(lǐng)域，涉及的模型包括：LLM、VLM、視覺基礎(chǔ)模型、文本條件式圖像生成模型。 ? 02??機(jī)器人領(lǐng)域面臨的挑戰(zhàn) ? 典型機(jī)器人系統(tǒng)的不同模塊所面臨的五大核心挑戰(zhàn)。圖 3 展示了這五大挑戰(zhàn)的分類情況。

2.1 泛化

機(jī)器人系統(tǒng)往往難以準(zhǔn)確地感知和理解其環(huán)境。它們也沒有能力將在一個(gè)任務(wù)上的訓(xùn)練成果泛化到另一個(gè)任務(wù)，這會(huì)進(jìn)一步限制它們在真實(shí)世界中的實(shí)用性。此外，由于機(jī)器人硬件不同，將模型遷移用于不同形態(tài)的機(jī)器人也很困難。通過將基礎(chǔ)模型用于機(jī)器人，可以部分地解決泛化問題。而在不同機(jī)器人形態(tài)上泛化這樣更進(jìn)一步的問題還有待解答。

? 2.2 數(shù)據(jù)稀缺

為了開發(fā)出可靠的機(jī)器人模型，大規(guī)模的高質(zhì)量數(shù)據(jù)至關(guān)重要。人們已經(jīng)在努力嘗試從現(xiàn)實(shí)世界收集大規(guī)模數(shù)據(jù)集，包括自動(dòng)駕駛、機(jī)器人操作軌跡等。并且從人類演示收集機(jī)器人數(shù)據(jù)的成本很高。不過，由于任務(wù)和環(huán)境的多樣性，在現(xiàn)實(shí)世界收集足夠且廣泛的數(shù)據(jù)的過程還會(huì)更加復(fù)雜。在現(xiàn)實(shí)世界收集數(shù)據(jù)還會(huì)有安全方面的疑慮。另外，在現(xiàn)實(shí)世界中，大規(guī)模收集數(shù)據(jù)非常困難，而要收集到訓(xùn)練基礎(chǔ)模型所使用的互聯(lián)網(wǎng)規(guī)模級(jí)的圖像/文本數(shù)據(jù)，那就更困難了。 ?

為了解決這些挑戰(zhàn)，許多研究工作都嘗試了在模擬環(huán)境中生成合成數(shù)據(jù)。這些模擬能提供真實(shí)感很強(qiáng)的虛擬世界，讓機(jī)器人可以在接近真實(shí)的場景中學(xué)習(xí)和使用自己的技能。但是，使用模擬環(huán)境也有局限性，尤其是在物體的多樣性方面，這使得所學(xué)到的技能難以直接用于真實(shí)世界情況。 ? 一種頗具潛力的方法是協(xié)作式數(shù)據(jù)收集，即將不同實(shí)驗(yàn)室環(huán)境和機(jī)器人類型的數(shù)據(jù)收集到一起，如圖 4a 所示。但是，該團(tuán)隊(duì)深度研究了 Open-X Embodiment Dataset，發(fā)現(xiàn)在數(shù)據(jù)類型可用性方面還存在一些局限性。

2.3 模型和原語要求

經(jīng)典的規(guī)劃和控制方法通常需要精心設(shè)計(jì)的環(huán)境和機(jī)器人模型。之前的基于學(xué)習(xí)的方法（如模仿學(xué)習(xí)和強(qiáng)化學(xué)習(xí)）是以端到端的方式訓(xùn)練策略，也就是直接根據(jù)感官輸入獲取控制輸出，這樣能避免構(gòu)建和使用模型。這些方法能部分解決依賴明確模型的問題，但它們往往難以泛化用于不同的環(huán)境和任務(wù)。 ? 這就引出了兩個(gè)問題：(1) 怎么學(xué)習(xí)能很好泛化的與模型無關(guān)的策略？(2) 怎么學(xué)習(xí)好的世界模型，以便應(yīng)用經(jīng)典的基于模型的方法？ ?

2.4 任務(wù)規(guī)范 ? 為了得到通用型智能體，一大關(guān)鍵挑戰(zhàn)是理解任務(wù)規(guī)范并將其根植于機(jī)器人對(duì)世界的當(dāng)前理解中。通常而言，這些任務(wù)規(guī)范由用戶提供，但用戶只能有限地理解機(jī)器人的認(rèn)知和物理能力的局限性。這會(huì)帶來很多問題，包括能為這些任務(wù)規(guī)范提供什么樣的最佳實(shí)踐，還有起草這些規(guī)范是否足夠自然和簡單?；跈C(jī)器人對(duì)自身能力的理解，理解和解決任務(wù)規(guī)范中的模糊性也充滿挑戰(zhàn)。 ?

2.5 不確定性和安全性 ? 為了在現(xiàn)實(shí)世界中部署機(jī)器人，一大關(guān)鍵挑戰(zhàn)是處理環(huán)境和任務(wù)規(guī)范中固有的不確定性。根據(jù)來源的不同，不確定性可以分為認(rèn)知不確定性（由缺乏知識(shí)導(dǎo)致不確定）和偶然不確定性（環(huán)境中固有的噪聲）。 ? 不確定性量化（UQ）的成本可能會(huì)高得讓研究和應(yīng)用難以為繼，也可能讓下游任務(wù)無法被最優(yōu)地解決。有鑒于基礎(chǔ)模型大規(guī)模過度參數(shù)化的性質(zhì)，為了在不犧牲模型泛化性能的同時(shí)實(shí)現(xiàn)可擴(kuò)展性，提供能保留訓(xùn)練方案同時(shí)又盡可能不改變底層架構(gòu)的 UQ 方法至關(guān)重要。設(shè)計(jì)能提供對(duì)自身行為的可靠置信度估計(jì)，并反過來智能地請求清晰說明反饋的機(jī)器人仍然是一個(gè)尚未解決的挑戰(zhàn)。 ? 近來雖有一些進(jìn)展，但要確保機(jī)器人有能力學(xué)習(xí)經(jīng)驗(yàn)，從而在全新環(huán)境中微調(diào)自己的策略并確保安全，這一點(diǎn)還依然充滿挑戰(zhàn)。

? 03??當(dāng)前研究方法概況 ? 本文還總結(jié)了用于機(jī)器人的基礎(chǔ)模型的當(dāng)前研究方法。該團(tuán)隊(duì)將機(jī)器人領(lǐng)域使用的基礎(chǔ)模型分成了兩大類：用于機(jī)器人的基礎(chǔ)模型和機(jī)器人基礎(chǔ)模型（RFM）。 ? 用于機(jī)器人的基礎(chǔ)模型主要是指以零樣本的方式將視覺和語言基礎(chǔ)模型用于機(jī)器人，也就是說無需額外的微調(diào)或訓(xùn)練。機(jī)器人基礎(chǔ)模型則可能使用視覺 - 語言預(yù)訓(xùn)練初始化來進(jìn)行熱啟動(dòng)和 / 或直接在機(jī)器人數(shù)據(jù)集上訓(xùn)練模型。

分類詳情

3.1 用于機(jī)器人的基礎(chǔ)模型

這一部分關(guān)注的是視覺和語言基礎(chǔ)模型在機(jī)器人領(lǐng)域的零樣本應(yīng)用。這主要包括將 VLM 以零樣本方式部署到機(jī)器人感知應(yīng)用中，將 LLM 的上下文學(xué)習(xí)能力用于任務(wù)層面和運(yùn)動(dòng)層面的規(guī)劃以及動(dòng)作生成。圖 6 展示了一些代表性的研究工作。

3.2 機(jī)器人基礎(chǔ)模型（RFM）

隨著包含來自真實(shí)機(jī)器人的狀態(tài)-動(dòng)作對(duì)的機(jī)器人數(shù)據(jù)集的增長，機(jī)器人基礎(chǔ)模型（RFM）類別同樣變得越來越有可能成功。這些模型的特點(diǎn)是使用了機(jī)器人數(shù)據(jù)來訓(xùn)練模型解決機(jī)器人任務(wù)。 ? 研究團(tuán)隊(duì)總結(jié)和討論了不同類型的 RFM。首先是能在單一機(jī)器人模塊中執(zhí)行一類任務(wù)的 RFM，這也被稱為單目標(biāo)機(jī)器人基礎(chǔ)模型。比如能生成控制機(jī)器人的低層級(jí)動(dòng)作的 RFM 或可以生成更高層運(yùn)動(dòng)規(guī)劃的模型。在文章中還會(huì)介紹能在多個(gè)機(jī)器人模塊中執(zhí)行任務(wù)的 RFM，也就是能執(zhí)行感知、控制甚至非機(jī)器人任務(wù)的通用模型。 ? 3.3 基礎(chǔ)模型能怎樣幫助解決機(jī)器人挑戰(zhàn)？ ? 前文列出了機(jī)器人領(lǐng)域面臨的五大挑戰(zhàn)。這里將介紹基礎(chǔ)模型可以怎樣幫助解決這些挑戰(zhàn)。 ? 所有與視覺信息相關(guān)的基礎(chǔ)模型（如 VFM、VLM 和 VGM）都可用于機(jī)器人的感知模塊。而 LLM 的功能更多樣，可用于規(guī)劃和控制。機(jī)器人基礎(chǔ)模型（RFM）通常用于規(guī)劃和動(dòng)作生成模塊。表 1 總結(jié)了解決不同機(jī)器人挑戰(zhàn)的基礎(chǔ)模型。

從表中可以看到，所有基礎(chǔ)模型都擅長泛化各種機(jī)器人模塊的任務(wù)。LLM 尤其擅長任務(wù)規(guī)范。另一方面，RFM 擅長應(yīng)對(duì)動(dòng)態(tài)模型的挑戰(zhàn)，因?yàn)榇蠖鄶?shù) RFM 都是無模型方法。對(duì)于機(jī)器人感知來說，泛化能力和模型的挑戰(zhàn)是相互耦合的，因?yàn)槿绻兄Ｐ鸵呀?jīng)具有很好的泛化能力，就不需要獲取更多數(shù)據(jù)來執(zhí)行領(lǐng)域適應(yīng)或額外微調(diào)。 另外，在安全挑戰(zhàn)方面還缺乏研究，這會(huì)是一個(gè)重要的未來研究方向。 ? 04??當(dāng)前的實(shí)驗(yàn)和評(píng)估概況 ? 這一部分總結(jié)了當(dāng)前研究成果的數(shù)據(jù)集、基準(zhǔn)和實(shí)驗(yàn)。 ? 4.1 數(shù)據(jù)集和基準(zhǔn) 僅依靠從語言和視覺數(shù)據(jù)集學(xué)到的知識(shí)是存在局限的。正如一些研究成果表明的那樣，摩擦力和重量等一些概念無法僅通過這些模態(tài)輕松學(xué)習(xí)到。 ? 因此，為了讓機(jī)器人智能體能更好地理解世界，研究社區(qū)不僅在適應(yīng)來自語言和視覺領(lǐng)域的基礎(chǔ)模型，也在推進(jìn)開發(fā)用于訓(xùn)練和微調(diào)這些模型的大型多樣化多模態(tài)機(jī)器人數(shù)據(jù)集。 ? 目前這些工作分為兩大方向：從現(xiàn)實(shí)世界收集數(shù)據(jù)以及從模擬世界收集數(shù)據(jù)再將其遷移到現(xiàn)實(shí)世界。每個(gè)方向都各有優(yōu)劣。其中從現(xiàn)實(shí)世界收集的數(shù)據(jù)集包括 RoboNet、Bridge Dataset V1、Bridge-V2、. Language-Table、RT-1 等。而常用的模擬器有 Habitat、AI2THOR、Mujoco、AirSim、Arrival Autonomous Racing Simulator、Issac Gym 等。 ? 4.2 對(duì)當(dāng)前方法的評(píng)估分析（Meta-Analysis） ? 該團(tuán)隊(duì)的另一大貢獻(xiàn)是對(duì)本綜述報(bào)告中提到的論文中的實(shí)驗(yàn)進(jìn)行了元分析，這可以為理清以下問題有所幫助： ?

1）人們研究解決的是哪些任務(wù)？

2）訓(xùn)練模型使用了哪些數(shù)據(jù)集或模擬器？測試用的機(jī)器人平臺(tái)有哪些？

3）研究社區(qū)使用了哪些基礎(chǔ)模型？解決任務(wù)的效果如何？

4）這些方法中更常使用哪些基礎(chǔ)模型？

表 2-7 和圖 11 給出了分析結(jié)果。

該團(tuán)隊(duì)通過 Meta-analysis 得到的一些主要觀察：

·?研究社區(qū)對(duì)機(jī)器人操作任務(wù)（Manipulation）的關(guān)注不平衡

·?泛化能力（Generalization）和穩(wěn)健性需要提升

·?低層動(dòng)作（Low-level Control）的探索很有限

·?控制頻率太低（<15Hz），無法部署在真實(shí)機(jī)器人中（一般需要 100Hz）

·?缺乏統(tǒng)一的測試基準(zhǔn)（Metrics）和測試平臺(tái)（Simulation or Hardware），使得對(duì)比變得非常困難。

05??討論和未來方向

該團(tuán)隊(duì)總結(jié)了一些仍待解決的挑戰(zhàn)和值得討論的研究方向：

·?如何為機(jī)器人具身設(shè)定標(biāo)準(zhǔn)基礎(chǔ)（grounding）？

·?安全（Safety）和不確定性（Uncertainty）？

·?端到端方法（end-to-end）和模塊化（Modular）方法是否無法兼容？

·?對(duì)具身的物理變化的適應(yīng)能力

·?世界模型（World Model）方法還是與模型無關(guān)的方法？

·?新型機(jī)器人平臺(tái)和多感官信息

·?持續(xù)學(xué)習(xí)（Continue Learning）

·?標(biāo)準(zhǔn)化和可復(fù)現(xiàn)能力（Reproducibility）

審核編輯：黃飛