[Journal club] Steering Your Generalists: Improving Robotic Foundation Models via Value Guidance

Transcript

1. Mitsuhiko Nakamoto1 Oier Mees1 Aviral Kumar2 Sergey Levine1 1UC Berkeley 2Carnegie Mellon University Steering Your Generalists: Improving Robotic Foundation Models via Value Guidance 杉浦孔明研究室 妹尾 幸樹 CoRL24 Nakamoto, M., Mees, O., Kumar, A., & Levine, S. “Steering Your Generalists: Improving Robotic Foundation Models via Value Guidance”. In 8th Annual Conference on Robot Learning, 2024.
2. 概要 2 n 背景 n ⼤規模データセットから⾼品質なデータのみを抽出することは困難 n ⼤規模VLAのfine-tuningは⾼コスト n 提案⼿法︓V-GPS n 多様な教⽰データを⽤いて価値関数を学習 n 事前学習済みVLAモデルの出⼒をRe-Rankingすることで性能を向上 n 結果 n 計12タスク，複数のVLAモデルを⽤いて評価 n ほとんどのタスクでベースモデルの成功率が向上
3. 背景︓VLAモデルの再学習なしに性能向上が出来れば有⽤ 3 ⼤規模データセットの品質の担保は困難 ▪ 模倣学習を⽤いる既存⼿法は訓練デー タの分布を効果的に再現可能 L 低品質なデータの混在による性能低下 L ⼤規模データセットから⾼品質データ のみを抽出することは困難 ⼤規模VLAモデルのfine-tuningは ⾼コスト L ⼈⼿による⼤量かつ⾼品質な教⽰ データの収集が必要 L ⻑い訓練時間 Octo [Ghosh+, RSS24]
4. 関連研究︓価値関数に基づく⾏動選択はVLAモデルで未活⽤ 4 ⼿法 特徴 Cobbe et al. [Cobbe+, 21] 数学の問題に対してVerifierモデルを学習し、LLMからの複数の出⼒ のうち正答の確率が最も⾼い解答を選択 V-STaR [Hosseini+, CoLM24] GeneratorモデルとVerifierモデルを同時に学習し，複数の解答候補 の中から最も正しいものを選択 VAS [Han+, 24] LLMの重みを変更せずに、価値関数を⽤いて出⼒分布をトークンご とに補正することで、報酬最適化を⾏う Q-Probe [Li+, ICML24] LLMの出⼒に対して軽量な線形関数で再重み付け Q-Probe [Li+, ICML24] V-STaR [Hosseini+, CoLM24]
5. 提案⼿法︓V-GPS 5 J あらゆるVLAモデルに適⽤可能 J VLAモデルの学習不要 n 価値関数を⽤いて事前学習済みVLAモデルの出⼒をRe-Rankingするこ とで性能を向上 n より正確な物体操作が可能
6. Re-Ranking with Q-value︓軌道を再重み付け 6 1. 軌道⽣成モデルからK個 の軌道をサンプリング 3. 再重み付けした分布か ら軌道をサンプリング 𝑎︓軌道 𝜋︓軌道⽣成モデル 𝑠! ︓状態 𝑙︓⾔語指⽰⽂ 𝑠! , 𝑎" 𝑎# ⋯ 𝑎!"# 𝑎" 𝑄"(𝑠#, 𝑎$, 𝑙) 𝑄" (𝑠# , 𝑎% , 𝑙) 𝑄"(𝑠#, 𝑎&, 𝑙) オフライン強化学習した価値関数𝑄$ を利⽤ 𝛽︓温度パラメータ 2. 価値関数による Re-Ranking
7. 損失関数 7 ▪ 強化学習⼿法としてCal-QL [Nakamoto+, NeurIPS23]を採⽤ ▪ 第1項（Calibrated conservative regularizer︓保守的正則化項） ▪ OOD（Out-of-Distribution︓訓練データに含まれない） 出⼒に対して過⼤なQ値を出⼒しないように制約を付与 ▪ 第2項（Temporal Difference loss︓TD誤差項） ▪ Q関数の⼀貫性を保つ，Bellman誤差 ▪ 遅延項による学習の安定化 𝑄#︓参照⽅策 𝜇 によるQ関数 𝑠︓状態 𝛼︓保守項の重み 𝒟︓データセット ℬ%𝑄 𝑠, 𝑎, 𝑙 = 𝔼&'~% 𝑟 + 𝛾𝑄 𝑠(, 𝑎(, 𝑙 𝑄$ % ︓遅延したQ関数 𝑠&︓次ステップの状態 𝑟︓報酬 𝛾︓割引率
8. 実験設定 (1/2)︓訓練データセット 8 Fractal [Brohan, RSS23] n Google Robot n 130Kエピソード Bridge V2 [Walke+, CoRL23] n WidowX Robot Arm n 24環境で収集した45Kエピソード “put the carrot on the plate” “pick apple from white bowl”
9. 実験設定 (2/2)︓評価タスクと学習設定 9 n 9環境12タスク n e.g. “put green pepper in pot” n シミュレータ(6環境)︓SIMPLER [Li+, CoRL24] n 実機(3環境)︓WidowX n TPU v4 x8 n 学習ステップ︓1M steps n 保守的正則化項の重み︓α = 0.5 n 学習時間︓記載なし SIMPLER [Li+, CoRL24]
10. 定量的結果 10 SIMPLER n ほとんどのタスク・モデルで成功率が向上 ※ +Ours︓V-GPSを利⽤ n ベースモデルとV-GPSを⽤いた場合を⽐較 実機 (WidowX) n 全てのタスクで成功率が向上 n ベースモデル︓Octo-small-1.5
11. 定性的結果︓“put mushroom on cloth” 11 w/o V-GPS w/ V-GPS J ⽬標地点に適切に配置
12. 追試とエラー分析 12 ▪ Simpler環境 ▪ 100エピソードで評価 ▪ ベースモデルを上回る Octo-base Octo-base + V-GPS Octo-small Octo-small + V-GPS 10/100 13/100 9/100 15/100 w/o V-GPS w/ V-GPS J 成功例：”pick sponge” L 失敗例：”pick yellow cube” fractalに含まれない物体
13. まとめ 13 n 背景 n ⼤規模データセットから⾼品質なデータのみを抽出することは困難 n ⼤規模VLAのfine-tuningは⾼コスト n 提案⼿法︓V-GPS n 多様な教⽰データを⽤いて価値関数を学習 n 事前学習済みVLAモデルの出⼒をRe-Rankingすることで性能を向上 n 結果 n 計12タスク，複数のVLAモデルを⽤いて評価 n ほとんどのタスクでベースモデルの成功率が向上
14. Appendix︓あらゆるオフライン強化学習⼿法を使⽤可能 14 IQL [Kostrikov, NeurIPS21]を使⽤した場合もベースモデルの成功率が向上 𝑠︓状態 𝒟︓データセット 𝑄$ % ︓遅延したQ関数 𝑠&︓次ステップの状態 𝑟︓報酬 𝛾︓割引率 𝑎︓軌道 𝜏︓ハイパーパラメータ 𝑙︓⾔語指⽰⽂ 𝑉' ︓価値関数 𝑄︓学習対象のQ関数
15. Appendix︓fine-tuningよりも効果的 15 ▪ ⼤規模VLAモデルのfine-tuningは困難 L closed-source (e.g. RT-1 [Brohan, RSS23]は⼀部のみ公開) L API-only (e.g. RT-2-X [OʼNeill+, ICRA23]) L ⾼い訓練コスト (e.g. OpenVLA [Kim+,CoRL24]はA100 x8，5-15h) ▪ fine-tuningを含む既存⼿法を上回る ※ Octo-finetuned︓OXE [OʼNeill+, ICRA23]で事前訓練，Bridge V2でfine-tuning ※ Octo-scratch︓Bridge V2で訓練 ※ Resnet-DP︓Diffusion Policy [Chi+, RSS23] w/ Resnet34エンコーダ
16. Appendix︓少ない訓練データでも効果的 16 ▪ データセットサイズを10%に減らしても成功率が向上 ▪ SIMPLER環境 (“put eggplant to bascket” タスク) で評価
17. Appendix︓サンプリング数とInference Speed 17 n 実世界で問題にならない程度の遅延 n WidowXロボットは通常0.2sおきに制御 n 推論時間が0.2s以内であれば問題なし
18. Appendix︓サンプリング数と成功率 18 ▪ IQLを⽤いた場合，𝐾 = 10が最も⾼い成功率 ▪ 𝐾を⼤きくすると性能が低下 ▪ Cal-QLはIQLよりも𝐾に対して頑健