機(jī)器狗通過深度強(qiáng)化學(xué)習(xí)，已具備一定的推理和決策能力。騰訊供圖

(資料圖片僅供參考)

深圳新聞網(wǎng)2023年6月15日訊（深圳商報(bào)記者 陳姝）6月14日，騰訊Robotics X機(jī)器人實(shí)驗(yàn)室公布了智能體研究的最新進(jìn)展，通過將前沿的預(yù)訓(xùn)練AI模型和強(qiáng)化學(xué)習(xí)技術(shù)應(yīng)用到機(jī)器人控制領(lǐng)域，讓機(jī)器狗Max的靈活性和自主決策能力得到大幅提升。

讓機(jī)器狗像人和動(dòng)物一樣靈活且穩(wěn)定地運(yùn)動(dòng)，是機(jī)器人研究領(lǐng)域長期追求的目標(biāo)，深度學(xué)習(xí)技術(shù)的不斷進(jìn)步，使得讓機(jī)器通過“學(xué)習(xí)”來掌握相關(guān)能力，學(xué)會(huì)應(yīng)對(duì)復(fù)雜多變的環(huán)境變得可行。

預(yù)訓(xùn)練和強(qiáng)化學(xué)習(xí)

靈活應(yīng)對(duì)復(fù)雜環(huán)境

騰訊Robotics X機(jī)器人實(shí)驗(yàn)室通過引入預(yù)訓(xùn)練AI模型和強(qiáng)化學(xué)習(xí)技術(shù)，可以讓機(jī)器狗分階段進(jìn)行學(xué)習(xí)，靈活應(yīng)對(duì)復(fù)雜環(huán)境。

第一階段通過游戲技術(shù)中常使用動(dòng)作捕捉系統(tǒng)，研究員收集真狗的運(yùn)動(dòng)姿態(tài)數(shù)據(jù)，包括走、跑、跳、站立等動(dòng)作，并利用這些數(shù)據(jù)，在仿真器中構(gòu)建了一個(gè)模仿學(xué)習(xí)任務(wù)，再將這些數(shù)據(jù)中的信息抽象并壓縮到深度神經(jīng)網(wǎng)絡(luò)模型中。

在模仿學(xué)習(xí)的過程中，神經(jīng)網(wǎng)絡(luò)模型僅接收機(jī)器狗本體感知信息作為輸入，例如機(jī)器狗身上電機(jī)狀態(tài)等。再下一步，模型引入周邊環(huán)境的感知數(shù)據(jù)，例如可以通過其他傳感器“看到”腳下的障礙物。

第二階段，通過額外的網(wǎng)絡(luò)參數(shù)來將第一階段掌握的機(jī)器狗靈動(dòng)姿態(tài)與外界感知聯(lián)系在一起，使得機(jī)器狗能夠通過已經(jīng)學(xué)會(huì)的靈動(dòng)姿態(tài)來應(yīng)對(duì)外界環(huán)境。當(dāng)機(jī)器狗適應(yīng)了多種復(fù)雜的環(huán)境后，這些將靈動(dòng)姿態(tài)與外界感知聯(lián)系在一起的知識(shí)也會(huì)被固化下來，存在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中。

第三階段，利用上述兩個(gè)預(yù)訓(xùn)練階段獲取的神經(jīng)網(wǎng)絡(luò)，機(jī)器狗才有前提和機(jī)會(huì)來聚焦解決最上層的策略學(xué)習(xí)問題，最終具備端到端解決復(fù)雜的任務(wù)的能力。

障礙追逐游戲

模擬人類的推理方式

為了測(cè)試Max所掌握的這些新技能，研究員受到障礙追逐比賽“World Chase Tag”的啟發(fā)，設(shè)計(jì)了一個(gè)雙狗障礙追逐的游戲。

在機(jī)器狗障礙追逐比賽中，游戲場(chǎng)地大小為4.5米×4.5米，其中散落著一些障礙物。游戲起始，兩個(gè)MAX機(jī)器狗會(huì)被放置在場(chǎng)地中的隨機(jī)位置，且隨機(jī)一個(gè)機(jī)器狗被賦予追擊者的角色，另一個(gè)為躲避者，同時(shí)，場(chǎng)地中會(huì)在隨機(jī)位置擺放一個(gè)旗子。

追擊者的任務(wù)是抓住躲避者，躲避者的目的則是在保證不被抓到的前提下去接近旗子。如果躲避者在被抓到之前成功觸碰到旗子，則兩個(gè)機(jī)器狗的角色會(huì)瞬間發(fā)生互換，同時(shí)旗子會(huì)重新出現(xiàn)在另一個(gè)隨機(jī)的位置。

從這個(gè)游戲看來，在基于預(yù)訓(xùn)練好的模型下，機(jī)器狗通過深度強(qiáng)化學(xué)習(xí)，已經(jīng)具備一定的推理和決策能力：

比如，當(dāng)追擊者意識(shí)到自己在躲避者碰到旗子之前已經(jīng)無法追上它的時(shí)候，追擊者就會(huì)放棄追擊，而是在遠(yuǎn)離躲避者的位置徘徊，目的是為了等待下一個(gè)重置的旗子出現(xiàn)。

據(jù)介紹，游戲中機(jī)器狗的所有控制策略都是神經(jīng)網(wǎng)絡(luò)策略，在仿真中進(jìn)行學(xué)習(xí)并通過zero-shot transfer(零調(diào)整遷移），讓神經(jīng)網(wǎng)絡(luò)模擬人類的推理方式，來識(shí)別從未見過的新事物，并把這些知識(shí)部署到真實(shí)機(jī)器狗上。

騰訊Robotics X機(jī)器人實(shí)驗(yàn)室長期致力于機(jī)器人前沿技術(shù)的研究，以此前在機(jī)器人本體、運(yùn)動(dòng)、控制領(lǐng)域等領(lǐng)先技術(shù)和積累為基礎(chǔ)，研究員們也在嘗試將前沿的預(yù)訓(xùn)練模型和深度強(qiáng)化學(xué)習(xí)技術(shù)引入到機(jī)器人領(lǐng)域，提升機(jī)器人的控制能力，讓其更具靈活性，這也為機(jī)器人走入現(xiàn)實(shí)生活，服務(wù)人類打下了堅(jiān)實(shí)的基礎(chǔ)。

關(guān)鍵詞：