转载自：新智元 ｜编辑：桃子 乔杨
【导读】通用机器人模型，如何解决异构性难题？来自MIT、Meta FAIR团队全新提出异构预训练Transformer（HPT），不用从头训练，即可破解。
通用机器人模型，目前最大的障碍便是「异构性」。
也就是说，必须收集全方位——每个机器人、任务和环境的特定数据，而且学习后的策略还不能泛化到这些特定设置之外。
由此，AI大神何恺明带队的MIT、Meta FAIR团队，提出了异构预训练Transformer（HPT）模型。
即预训练一个大型、可共享的神经网络主干，就能学习与任务和机器人形态无关的共享表示。
简单讲，就是在你的策略模型中间放置一个可扩展的Transformer，不用从头开始训练！
代码：https://github.com/liruiw/HPT
研究人员将不同本体视觉输入对齐到统一的token序列，再处理这些token以控制不同任务的机器人。
最后发现，HPT优于多个基准模型，并在模拟器基准和真实世界环境中，将未见任务微调策略性能，提升20%。
值得一提的是，这项研究被NeurIPS 2024接收为Spotlight。
在真实环境中，HPT加持下的机器人本体，能够自主向柴犬投食。
而且， 即便是洒了一地狗粮，机器人也能用抹布，将其收到一起。
而在模拟环境中，HPT架构让机器人任务操作，更加精准。
接下来，一起深度了解下异构预训练Transformer（HPT）模型的核心要素吧。
搭建「异构性」桥梁
如今，构建特定的机器人策略很困难，其中最大的难题就是数据收集和缺少泛化性。
不同硬件的机器人在物理上具有不同的本体（embodiment），每种实例可以有不同的「本体感觉」（proprioception），包括不同的自由度、末端执行器、运动控制器和为特定应用构建的工作空间配置。
此外，另一种常见的异构性就是视觉异构性。
不同机器人搭载了不同的视觉传感器，而且通常配备在不同位置（比如手腕/第三视角）；每个机器人的外观也会因环境和任务而有很大差异。
正是由于这些难以跨越的异构性障碍，因此通常需要收集每个机器人、任务和环境的特定数据，并且学习到的策略不能泛化到这些特定设置之外。
虽然机器人领域已经积累了海量的开源数据，但异构性让数据集很难被共同利用。
从图4中就可以看出，仅仅是按环境分类，机器人领域的数据就能被「瓜分」为远程遥控、模拟、野外、人类视频等接近4等份。
机器人领域数据集的异质性
近些年来NLP和CV领域的突飞猛进，让我们看到了彻底改变机器学习领域的一个历史教训：对大规模、高质量和多样化数据进行预训练，可以带来通常优于特定模型的通用模型。
话至此处，当今机器人领域的一个中心问题浮出水面：如何利用异构数据来预训练机器人基础模型？
除了更多数据带来的好处之外，不同任务的训练还可以增强表示（representation）的通用性。
这类基础模型将会在各种任务上实现高成功率、对异常值更加稳健，并且能够灵活地适应新任务。
那么，到底应该如何充分利用异构化的数据集？
如图1所示，一个基本的思路是，将来自不同领域和任务的输入信号映射到高维表示空间，并让它们表现出一致的缩放行为。
之后，只需要最少的微调，就可以将得到的高维表示迁移到特定的下游任务，同时获得良好的性能。
HPT概念示意图
HPT所要做的，就是找到一种共享的策略「语言」，能够对齐来自不同预训练的异质的本体感觉和视觉信息，将自己的信号映射到共享的潜在空间。
HPT模型架构
HPT全称为Heterogeneous Pre-trained Transformers，是一个架构系列，采用了模块化的设计思路，从异构本体的数据中进行可扩展学习。
受到多模态数据学习的启发，HPT使用了特定于本体的分词器（stem）来对齐各种传感器输入，映射为固定数量的token，之后送入Transformer结构的共享主干（trunk），将token映射为共享表示并进行预训练。
在对每种本体的输入进行标记化（tokenize）之后，HPT就运行在一个包含潜在token短序列的共享空间上运行。
论文提到，这种层次结构的动机，也是来源于人类身体的脊髓神经回路层面中，特定运动反应和感知刺激之间的反馈循环。
预训练完成后，使用特定于任务的动作解码器（head）来产生下游动作输出，但所用的实例和任务在预训练期间都是未知的。
预训练包含了超过50个单独的数据源，模型参数超过1B，模型的代码和权重都已公开发布。
HPT架构
stem结构
从上面的描述来看，要解决异构性问题，最直接和最关键的就是如何训练stem，将来自异构的本体和模态的传感器输入对齐到共享表示空间中。
如图3所示，stem包含两个主要部分，即本体感受分词器和视觉分词器，将来自不同本体的异构输入映射为固定维度、固定数量的token，让trunk能够以相同的方式处理。
其中的关键思想，是利用cross-attention机制，让固定数量的可学习token关注到各种特征。
虽然这篇论文主要处理本体感觉和视觉，但处理触觉、3D和动作输入等其他类型的异构传感器信号也可以在stem中灵活扩展。
HPT中的stem架构
按照时间顺序单独处理每个模态后，将所有token拼接在一起并添加额外的模态嵌入和正弦位置嵌入，就得到了trunk的输入序列。
为了避免过拟合，stem被设计为仅有少量参数，只包含一个MLP和一个注意力层。
trunk结构
作为预训练的核心组件，trunk是一个有潜在d维空间的Transormer结构，参数量固定，在不同的本体和任务之间共享，以捕获复杂的输入-输出关系。
预训练
给定从不同分布中采样的异构本体的数据集𝒟_1,…,𝒟_k,…,𝒟_K ，令𝒟_k={τ^(i)}_{1≤i≤M_k} 表示𝒟_k中一组轨迹M_k，τ^(i)={o_t^(i), a_t^(i)}_{1≤t≤T}表示第i个最大长度为T的轨迹，每个元组包含observation变量和action变量。
训练目标如公式（1）所示，需要最小化数据集中的以下损失：
其中ℒ是行为克隆损失，计算为预测结果和真实标签之间的Huber 损失。
该训练过程有两个数据缩放轴：单个数据集D_k的体量M_k，以及数据集总数K。
在预训练阶段，每次迭代时仅更新trunk部分参数，并且基于训练批次采样更新特定于每个异构本体和任务的stem和head部分。
论文进行了一系列预训练实验，包括不同规模的网络参数和数据集大小，旨在回答一个问题：HPT预训练在跨域异构数据中是否展现出了扩展能力？
总体而言，某种程度上，HPT随着数据集数量、数据多样性、模型体量和训练计算量呈现出缩放行为。
HPT网络详细信息，宽度表述turnk transformer的潜在维度，深度表示block数量，默认设置为HPT-Small型号
预训练数据集详细信息，默认使用来自RT-X的27个数据集的16k个轨迹进行训练
数据缩放
数据方面，如图5所示，即使在异构程度逐渐增大的本体中也具有稳定且可扩展的验证损失。
此外，作者还发现，计算量（相当于每次训练运行看到的样本量）和数据量需要共同扩展，才能在训练过程中更接近收敛。
epoch缩放
如图6所示，增加批大小（左）相当于有效地扩展训练token数（右），通常可以提高模型性能，直至最后收敛。
另一个观察结果是，使用分布式方法，在每个训练批中聚合尽可能更多的数据集，用更大的批大小来弥补异构训练中的较大方差。
模型缩放
如图7所示，固定数据集和轨迹数量，沿着模型大小（从1M到1B）进行缩放，并逐渐将批大小从256增加到 2048（模型大小每增加一倍），并使用具有170k轨迹的更大数据集。
可以观察到，当我们扩展到具有更大计算量（红线）的更大模型时，预训练可以实现较低的验证损失，直到达到稳定水平，但没有发现缩放模型深度和模型宽度之间存在显著差异。
图8中的实验结果表明，HPT可以相当有效地处理异构数据。尽管与真实机器人存在很大的差距，但对其他本体的数据集（例如模拟环境和人类视频数据集）进行预训练是可能的。
迁移学习
如上，作者使用了最后一次迭代中验证集上的损失来评估预训练。
接下来，他们将通过实验，去验证机器人在迁移学习中，任务成功率的问题：
预训练的HPT模型，是否可以迁移到模拟和现实世界中的全新本体、任务、以及环境中？
模拟环境
如下图10（a）中，研究人员在闭环模拟中测试了下游任务的模型，并观察到使用HPT-B到HPTXL预训练模型，提到的任务成功率。
在图10（b）中，他们在最近发布的Simpler基准上运行HPT，它允许在高保真模拟上与Octo、RT1-X、RT2-X进行比较。
在Google EDR机器人中，研究人员重点关注三个不同的任务「关闭抽屉」、「选可乐罐」。
对于每个任务，他们测试了几种不同的初始化，所有任务总共有300+ episode。
现实世界
这里，作者采用了与前一节类似的迁移学习方法，并在真实世界的评估协议下，评估预训练的HPT表示。
他们以256批大小和训练率训练策略20000次迭代。
图12显示的定量结果，研究人员观察到，预训练策略相比No-Trunk和From-Scratch基准获得了更好的成功率。
特别是在倒水的任务中，From-Scratch基准使用了最先进的扩散策略架构，以展示预训练表示的灵活性。
图11定性结果显示，作者观察到预训练的HPT在面对不同姿势、物体数量、相机配置、光照条件时，表现出更好的泛化能力和鲁棒性。
在表3中，作者对Sweep Leftover任务进行了消融研究。
尽管最近数据规模激增，但由于异构性的存在，机器人学习的通用性仍然受到限制。
研究人员提出的HPT——一种模块化架构和框架，通过预训练来应对这种异构性。
他希望这一观点能够启发未来的工作，以处理机器人数据的异构性本质，从而为机器人基础模型铺平道路。
作者介绍
Lirui Wang
Lirui Wang是MIT CSAIL的博士生，导师是Russ Tedrake教授。
在此之前，他曾在华盛顿大学获得学士和硕士学位，导师是Dieter Fox教授。
他的研究兴趣在于机器学习和机器人学。尤其是，他对开发能够在复杂和非结构化的真实世界环境中，泛化的算法和系统感兴趣。
为了实现这一点，他一直致力于研究能够随着异类数据进行扩展的「舰队学习」（fleet learning）。
Xinlei Chen
Xinlei Chen是旧金山Meta Fair实验室的研究科学家。目前的研究兴趣是预训练，特别是自监督、多模态视觉表征的预训练。
他曾在CMU语言技术研究所获得博士学位，就读期间也在机器人研究所工作。此前，他获得了浙大的学士学位。
Jialiang Zhao
Jialiang Zhao目前是 MIT CSAIL感知科学小组的博士生，导师是Edward H. Adelson教授，并与Russ Tedrake 、何恺明合作。
Kaiming He
何恺明目前是麻省理工学院电子工程与计算机科学系副教授。
他提出的最为著名的研究是深度残差网络（ResNets），并被广泛应用到现代深度学习模型当中，比如Transformer（GPT、ChatGPT）、AlphaGo Zero、AlphaFold、扩散模型等。
在加入MIT之前，何恺明于2016年至2024年担任Facebook AI Research的研究科学家，并于2011年-2016年担任微软亚洲研究院（MSRA）的研究员。
他曾在2011年在香港中文大学获得博士学位，并于2007年在清华大学获得学士学位。
