论文阅读笔记——Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware

ALOHA 论文

ALOHA 解决了策略中的错误可能随时间累积，且人类演示可能是非平稳的，提出了 ACT（Action Chunking with Transformers） 方法。

Action Chunking

模仿学习中，compounding error 是致使任务失败的主要原因。具体来说，当智能体（agent）在测试时遇到训练集中未见过的情况时，可能会产生预测误差。这些误差会逐步累积，导致智能体进入未知状态，最终任务失败。ALOHA 通过引入 Action Chunking 和 CVAE（Conditional Variational Autoencoder）来解决这一问题，显著减少了错误累积的影响。

在传统的模仿学习中，策略模型通常预测单步动作 ${\pi }_{\theta }(a_t|s_t)$，即根据当前状态 $s_t$​ 预测下一个动作 $a_t$。然而，这种单步预测的方式容易导致误差累积，尤其是在长时间任务中。

为了减小 compounding error，引入了 Action Chunking，具体来说，模型不再预测单步动作，而是预测一个动作序列。
具体步骤如下：

• Chunk Size 设置：将动作序列划分为大小为 kk 的块（chunk），每 kk 步，智能体获取一次输入，并预测接下来的 k 步动作。
• 轨迹长度缩减：轨迹长度被缩小到了 $\frac{1}{k}$。
• 策略模型发生变化：由预测单步 ${\pi }_{\theta }(a_t|s_t)$ 变为 ${\pi }_{\theta }(a_{t:t+k}|s_i)$ 。
  为使轨迹更平滑，ALOHA 提出 temporal ensemble，对 k 个对同一动作的预测，采取加权的方式求和，权重 $w_i=ex{p}^{-m\ast i}$ 。这种方法可以有效减少动作序列中的抖动，使动作更加平滑。

CVAE

对于 Action Chunking 中的预测，采取 condition + VAE 的方式训练，并采用 encoder-decoder 架构（transformer）。

输入信息包括：（此处不使用图像输入时为了加速训练）

• CLS 分类标签：表明类别，类似 BERT 的做法。
• 关节角：机器人当前的关节状态
• 动作序列：历史动作序列
• 位置嵌入：表示时间步的位置信息
  不同之处这只是通过 encoder 来训练 decoder，在推理时丢弃 encoder 部分。

伪代码如下：