サンプル効率が非常に高いロボット制御モデルFERM

カリフォルニア大学バークレー校のピーター・アビール教授たちは、最先端の技術を活用して、「非常に」サンプル効率の高いロボット操作モデルのトレーニングを実現するフレームワーク「Framework for Efficient Robotic Manipulation (FERM)」を開発した。

サンプル効率が非常に高いロボット制御モデルFERM

カリフォルニア大学バークレー校のピーター・アビール教授たちは、最先端の技術を活用して、「非常に」サンプル効率の高いロボット制御モデルのトレーニングを実現するフレームワーク「Framework for Efficient Robotic Manipulation (FERM)」を開発した。共著者らによると、わずか10回のデモンストレーションで、15分から50分の実世界でのトレーニング時間が与えることができ、その結果、ロボットアームが、FERMを使って、大きな物体に手を伸ばしたり、つまんだり、動かしたり、引っ張ったり、スイッチをひっくり返したり、引き出しを開けたりすることを学習することができるという。

FERMは「ピクセルベース」の強化学習をよりデータ効率の良いものにすることで、自動化へのシフトを加速させるのに役立つかもしれない。FERMはまず少数の実演を収集し、それを「リプレイバッファ」に保存します。エンコーダの機械学習アルゴリズムは、再生バッファに含まれる実演データに対して事前に学習される。次に、FERMの強化学習アルゴリズムは、エンコーダと最初のデモの両方によって生成されたデータで「補強」された画像上で学習する。

研究者によると、FERMはロボット、グラフィックカード、2台のカメラ、一握りのデモンストレーション、そして強化学習アルゴリズムをゴールに向けて誘導する報酬機能を必要とするだけで、簡単に組み立てることができるという。実験では、FERMはxArm(UFactory社製の産業用ロボットアーム)が25分以内に6つのタスクを学習することを可能にし、平均成功率は96.7%だったという。このアームは、トレーニング中やデモンストレーション中には見られない対象物にまで一般化し、ゴール位置への道を塞ぐ障害物にも対処することができたという。

深層強化学習は、把持や手先の器用な物体操作など、多様なロボット操作方針の学習に有効な手法として知られている。しかし、これまでのところ、汎用的なRLアルゴリズムはサンプル効率が非常に悪く、ロボット工学の分野での普及には限界があった。

離散および連続制御のための最新の強化学習アルゴリズムは、ピクセル入力から効果的なポリシーを学習するために、多くの場合、約数千万回の環境インタラクションを必要としてきた。根底にあるプロプリオ知覚状態が知覚可能な場合でも、疎な報酬のロボット操作では、手を伸ばしたり、つまんだり、押したり、物を置いたりといった基本的なタスクで信頼できる成功率を達成するために、何百万ものトレーニングサンプルを必要とし、リアルタイムでのトレーニングには2週間程度を要することがわかっていた。

このような深層強化学習におけるデータ効率の課題を克服するために、多くの戦略が提案されてきた。

1つのアプローチはSim2Realであり、ここでは、強化学習ポリシーが最初にシミュレーションで訓練され、その後、実世界に転送される。このフレームワークでは、強化学習ポリシーはシミュレーションで訓練され、環境とエージェントの視覚的属性と物理的属性の両方がランダム化されて、トレーニングデータのサポートが拡張される。結果として得られたポリシーは、実世界のシステムに転送される。Sim2Realは効果的ですが、その欠点は、結果として得られるポリシーのばらつきが大きいことと、ドメインランダム化を用いてポリシーを訓練するのに必要な計算リソースが大きいことだった。

学習制御のもう一つの一般的なアプローチは、模倣学習]によるもので、多数の専門家のデモンストレーションを収集し、専門家の軌跡に回帰することで教師付き学習によってポリシーを抽出する。模倣学習では、通常、数百から数千の専門家の実演を必要とするが、これは収集に手間がかかり、結果として得られる政策は専門家の実演の質に左右される。特定の課題を解決するために必要な最適なポリシーを自律的に学習することが望ましい。

FERMは、教師なし事前学習とデータ拡張を伴うオフポリシー強化学習を利用し、簡単な3段階の手順で効率的な学習を行う。まず、少数のデモンストレーションを収集し、リプレイバッファに保存する。次に、デモデータを用いた教師なしの対照的な事前学習を用いて、畳み込みエンコーダの重みを初期化する。第三に、オフポリシーRLアルゴリズムは、トレーニング中にオンラインで収集されたデータと最初のデモデータの両方に対して、拡張画像を用いてトレーニングされる。

セットアップに必要なものは、ロボット1台、GPU1台、カメラ2台、少数のデモンストレーション、そして疎な報酬関数である。これらの必要条件は、Sim2Real、モーションキャプチャー、複数のロボット、工学的な密な報酬に依存するセットアップに比べて非常に軽量である。

Adversarial Perturbation 敵対的摂動. 人間が棒を使ってブロックの位置を操作したときの方策. Via A Framework for Efficient Robotic Manipulation https://sites.google.com/view/efficient-robotic-manipulation
Unseen Object 見たことのない物体. FERMの方策は、トレーニングやデモンストレーションでは見られない、異なる形状の物体にも汎化する. Via A Framework for Efficient Robotic Manipulation https://sites.google.com/view/efficient-robotic-manipulation

「我々の知る限りでは、FERMは、疎な報酬の多様なロボット操作タスクのセットをピクセルから直接1時間以内に解決する最初の方法だ」と研究者は書いている。「我々の研究は、迅速かつ効率的な方法で実際のロボットに強化学習を適用するための刺激的な道筋を提示している」。

FERMのようなオープンソースのフレームワークはロボット操作の技術を進歩させることを約束しているが、進歩をどのように測定するかについては疑問が残っている。ロボットによる把持の進歩を測定するために使用される測定基準はタスクに応じて異なる場合がある。例えば、宇宙のようなミッションクリティカルな環境で動作するロボットでは、何よりも精度が重要になる。

近年の深層強化学習の進歩により、自律的な意思決定において前例のない能力が生まれている。これまでの研究では、ビデオゲーム、囲碁、チェス、将棋、花火などの複雑な古典ゲーム、シミュレーションと実世界の両方での自律的なロボット操作方針の学習などが挙げられる。

参考文献

Albert Zhan, Philip Zhao, Lerrel Pinto, Pieter Abbeel, Michael Laskin. A Framework for Efficient Robotic Manipulation. arXiv:2012.07975 [cs.RO].

Image via  "A Framework for Efficient Robotic Manipulation" https://sites.google.com/view/efficient-robotic-manipulation

Read more

新たなスエズ危機に直面する米海軍[英エコノミスト]

新たなスエズ危機に直面する米海軍[英エコノミスト]

世界が繁栄するためには、船が港に到着しなければならない。マラッカ海峡やパナマ運河のような狭い航路を通過するとき、船舶は最も脆弱になる。そのため、スエズ運河への唯一の南側航路である紅海で最近急増している船舶への攻撃は、世界貿易にとって重大な脅威となっている。イランに支援されたイエメンの過激派フーシ派は、表向きはパレスチナ人を支援するために、35カ国以上につながる船舶に向けて100機以上の無人機やミサイルを発射した。彼らのキャンペーンは、黒海から南シナ海まですでに危険にさらされている航行の自由の原則に対する冒涜である。アメリカとその同盟国は、中東での紛争をエスカレートさせることなく、この問題にしっかりと対処しなければならない。 世界のコンテナ輸送量の20%、海上貿易の10%、海上ガスと石油の8~10%が紅海とスエズルートを通過している。数週間の騒乱の後、世界の5大コンテナ船会社のうち4社が紅海とスエズ航路の航海を停止し、BPは石油の出荷を一時停止した。十分な供給があるため、エネルギー価格への影響は軽微である。しかし、コンテナ会社の株価は、投資家が輸送能力の縮小を予想している

By エコノミスト(英国)
新型ジェットエンジンが超音速飛行を復活させる可能性[英エコノミスト]

新型ジェットエンジンが超音速飛行を復活させる可能性[英エコノミスト]

1960年代以来、世界中のエンジニアが回転デトネーションエンジン(RDE)と呼ばれる新しいタイプのジェット機を研究してきたが、実験段階を超えることはなかった。世界最大のジェットエンジン製造会社のひとつであるジー・エアロスペースは最近、実用版を開発中であると発表した。今年初め、米国の国防高等研究計画局は、同じく大手航空宇宙グループであるRTX傘下のレイセオンに対し、ガンビットと呼ばれるRDEを開発するために2900万ドルの契約を結んだ。 両エンジンはミサイルの推進に使用され、ロケットや既存のジェットエンジンなど、現在の推進システムの航続距離や速度の限界を克服する。しかし、もし両社が実用化に成功すれば、超音速飛行を復活させる可能性も含め、RDEは航空分野でより幅広い役割を果たすことになるかもしれない。 中央フロリダ大学の先端航空宇宙エンジンの専門家であるカリーム・アーメッドは、RDEとは「火を制御された爆発に置き換える」ものだと説明する。専門用語で言えば、ジェットエンジンは酸素と燃料の燃焼に依存しており、これは科学者が消炎と呼ぶ亜音速の反応だからだ。それに比べてデトネーシ

By エコノミスト(英国)
ビッグテックと地政学がインターネットを作り変える[英エコノミスト]

ビッグテックと地政学がインターネットを作り変える[英エコノミスト]

今月初め、イギリス、エストニア、フィンランドの海軍がバルト海で合同演習を行った際、その目的は戦闘技術を磨くことではなかった。その代わり、海底のガスやデータのパイプラインを妨害行為から守るための訓練が行われた。今回の訓練は、10月に同海域の海底ケーブルが破損した事件を受けたものだ。フィンランド大統領のサウリ・ニーニストは、このいたずらの原因とされた中国船が海底にいかりを引きずった事故について、「意図的なのか、それとも極めて稚拙な技術の結果なのか」と疑問を呈した。 海底ケーブルはかつて、インターネットの退屈な配管と見なされていた。現在、アマゾン、グーグル、メタ、マイクロソフトといったデータ経済の巨人たちは、中国と米国の緊張が世界のデジタルインフラを分断する危険性をはらんでいるにもかかわらず、データの流れをよりコントロールすることを主張している。その結果、海底ケーブルは貴重な経済的・戦略的資産へと変貌を遂げようとしている。 海底データパイプは、大陸間インターネットトラフィックのほぼ99%を運んでいる。調査会社TeleGeographyによると、現在550本の海底ケーブルが活動

By エコノミスト(英国)