Escalonando Aprendizado Proprioceptivo-Visual com Transformadores Pré-treinados Heterogêneos

Scaling Proprioceptive-Visual Learning with Heterogeneous Pre-trained Transformers

September 30, 2024

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

cs.AI

Resumo

Um dos obstáculos para o treinamento de modelos robóticos generalistas hoje em dia é a heterogeneidade. Métodos anteriores de aprendizado de robôs frequentemente coletam dados para treinar com um único corpo específico para uma tarefa, o que é caro e propenso ao overfitting. Este trabalho estuda o problema de aprender representações de políticas por meio de pré-treinamento heterogêneo em dados de robôs de diferentes corpos e tarefas em escala. Propomos Transformadores Pré-treinados Heterogêneos (HPT), que pré-treinam um tronco grande e compartilhável de uma rede neural de política para aprender uma representação compartilhada independente de tarefa e corpo. Esta arquitetura geral alinha as entradas específicas de propriocepção e visão de diferentes corpos a uma sequência curta de tokens e então processa tais tokens para mapear o controle de robôs para diferentes tarefas. Aproveitando conjuntos de dados robóticos do mundo real multi-corpos em larga escala recentes, bem como simulações, robôs implantados e conjuntos de dados de vídeo humanos, investigamos o pré-treinamento de políticas em meio à heterogeneidade. Realizamos experimentos para investigar os comportamentos de escalonamento de objetivos de treinamento, até o alcance de 52 conjuntos de dados. Os HPTs superam várias linhas de base e aprimoram o desempenho da política ajustada em mais de 20% em tarefas não vistas em vários benchmarks de simuladores e ambientes do mundo real. Consulte o site do projeto (https://liruiw.github.io/hpt/) para código e vídeos.

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.