Scaling dell'apprendimento Proprioceettivo-Visivo con Trasformatori Pre-Allenati Eterogenei

Scaling Proprioceptive-Visual Learning with Heterogeneous Pre-trained Transformers

September 30, 2024

Autori: Lirui Wang, Xinlei Chen, Jialiang Zhao, Kaiming He

cs.AI

Abstract

Uno dei principali ostacoli per l'allenamento dei modelli robotici generalisti oggi è l'eterogeneità. I metodi di apprendimento dei robot precedenti spesso raccolgono dati per l'allenamento con un'incarnazione specifica per un compito, il che è costoso e soggetto all'overfitting. Questo lavoro studia il problema della rappresentazione delle politiche di apprendimento attraverso il pre-training eterogeneo su dati robotici provenienti da diverse incarnazioni e compiti su larga scala. Proponiamo i Trasformatori Pre-allenati Eterogenei (HPT), che pre-allenano un grande tronco condivisibile di una rete neurale di politiche per apprendere una rappresentazione condivisa agnostica rispetto al compito e all'incarnazione. Questa architettura generale allinea gli input specifici della propriocettività e della visione da diverse incarnazioni a una breve sequenza di token e poi elabora tali token per mapparli per controllare robot per diversi compiti. Sfruttando i recenti dataset robotici del mondo reale multi-incarnazione su larga scala così come la simulazione, i robot implementati e i dataset video umani, investighiamo il pre-training delle politiche attraverso l'eterogeneità. Conduciamo esperimenti per investigare i comportamenti di scaling degli obiettivi di allenamento, fino a un totale di 52 dataset. Gli HPT superano diversi baselines e migliorano le prestazioni delle politiche sintonizzate di oltre il 20% su compiti non visti in diversi benchmark di simulazione e ambienti reali. Consultare il sito del progetto (https://liruiw.github.io/hpt/) per il codice e i video.

English

One of the roadblocks for training generalist robotic models today is heterogeneity. Previous robot learning methods often collect data to train with one specific embodiment for one task, which is expensive and prone to overfitting. This work studies the problem of learning policy representations through heterogeneous pre-training on robot data across different embodiments and tasks at scale. We propose Heterogeneous Pre-trained Transformers (HPT), which pre-train a large, shareable trunk of a policy neural network to learn a task and embodiment agnostic shared representation. This general architecture aligns the specific proprioception and vision inputs from distinct embodiments to a short sequence of tokens and then processes such tokens to map to control robots for different tasks. Leveraging the recent large-scale multi-embodiment real-world robotic datasets as well as simulation, deployed robots, and human video datasets, we investigate pre-training policies across heterogeneity. We conduct experiments to investigate the scaling behaviors of training objectives, to the extent of 52 datasets. HPTs outperform several baselines and enhance the fine-tuned policy performance by over 20% on unseen tasks in multiple simulator benchmarks and real-world settings. See the project website (https://liruiw.github.io/hpt/) for code and videos.