【導(dǎo)讀】MetaAI這次發(fā)布的MoDem解決了視覺強化學(xué)習(xí)領(lǐng)域的三個挑戰(zhàn)，無需解碼器，效率最高提升250%，一起看看它有多牛。

12月27日，MetaAI 負(fù)責(zé)視覺和強化學(xué)習(xí)領(lǐng)域的A

截止27日晚間，這篇推文的閱讀量已經(jīng)達(dá)到73.9k。

他表示，僅給出5個演示，MoDem就能在100K交互步驟中解決具有稀疏獎勵和高維動作空間的具有挑戰(zhàn)性的視覺運動控制任務(wù)，大大優(yōu)于現(xiàn)有的最先進(jìn)方法。

有多優(yōu)秀呢？

他們發(fā)現(xiàn)MoDem在完成稀疏獎勵任務(wù)方面的成功率比低數(shù)據(jù)機制中的先前方法高出150%-250%。

Lecun也轉(zhuǎn)發(fā)了這一研究，表示MoDem的模型架構(gòu)類似于JEPA，可在表征空間做出預(yù)測且無需解碼器。

鏈接小編就放在下面啦，有興趣的小伙伴可以看看~

論文鏈接：https://arxiv.org/abs/2212.05698

Github鏈接：https://github.com/facebookresearch/modem

研究創(chuàng)新和模型架構(gòu)

樣本效率低下是實際應(yīng)用部署深度強化學(xué)習(xí) (RL) 算法的主要挑戰(zhàn)，尤其是視覺運動控制。

基于模型的RL有可能通過同時學(xué)習(xí)世界模型并使用合成部署來進(jìn)行規(guī)劃和政策改進(jìn)，從而實現(xiàn)高樣本效率。

然而在實踐中，基于模型的RL的樣本高效學(xué)習(xí)受到探索挑戰(zhàn)的瓶頸，這次研究恰恰解決了這些主要挑戰(zhàn)。

首先，MoDem分別通過使用世界模型、模仿+RL和自監(jiān)督視覺預(yù)訓(xùn)練，解決了視覺強化學(xué)習(xí)/控制領(lǐng)域的三個主要挑戰(zhàn)：

大樣本復(fù)雜性（Large sample complexity）

高維狀態(tài)和動作空間探索（Exploration in high-dimensional state and action space）

同步視覺表征和行為學(xué)習(xí)（Simultaneous learning of visual representations and behaviors）

這次的模型架構(gòu)類似于Yann LeCun的JEPA，并且無需解碼器。

作者Aravind Rajeswaran表示，相比Dreamer需要像素級預(yù)測的解碼器，架構(gòu)繁重，無解碼器架構(gòu)可支持直接插入使用SSL預(yù)訓(xùn)練的視覺表示。

此外基于IL+RL，他們提出了一個三階段算法：

BC預(yù)訓(xùn)練策略

使用包含演示和探索的種子數(shù)據(jù)集預(yù)訓(xùn)練世界模型，此階段對于整體穩(wěn)定性和效率很重要

通過在線互動微調(diào)世界模型

結(jié)果顯示，生成的算法在21個硬視覺運動控制任務(wù)中取得了SOTA結(jié)果（State-Of-The-Art result），包括Adroit靈巧操作、MetaWorld和DeepMind控制套件。

從數(shù)據(jù)上來看，MoDem在各項任務(wù)中的表現(xiàn)遠(yuǎn)遠(yuǎn)優(yōu)于其他模型，結(jié)果比之前的SOTA方法提升了150%到250%。

紅色線條為MoDem在各項任務(wù)中的表現(xiàn)

在此過程中，他們還闡明了MoDem中不同階段的重要性、數(shù)據(jù)增強對視覺MBRL的重要性以及預(yù)訓(xùn)練視覺表示的實用性。

最后，使用凍結(jié)的 R3M 功能遠(yuǎn)遠(yuǎn)優(yōu)于直接的 E2E 方法。這很令人興奮，表明視頻中的視覺預(yù)訓(xùn)練可以支持世界模型。

但8月數(shù)據(jù)強勁的E2E與凍結(jié)的R3M競爭，我們可以通過預(yù)訓(xùn)練做得更好。

審核編輯 ：李倩