【论文笔记】Reskill基于技能的适应性动作空间学习

一、论文笔记

标题：剩余技能策略：学习基于技能的适应性行动空间，用于机器人强化学习 作者团队：昆士兰科技大学 期刊会议：CoRL 时间：2022 代码：https://krishanrana.github.io/reskill

1.1 目标问题

基于技能的学习已经成为加速机器人学习的方法，技能从专家演示中提取，是短序列的单步操作（平移、抓取、抬起等动作），这些技能嵌入到潜在空间中，构成上层 RL 策略的行动空间。但是这种方式存在一些问题：

• 对所有技能进行随机抽样探索，效率极低，因为其中只有一小部分技能与当前执行的任务相关，并且这些相关的技能通常不会聚集在技能空间的同一邻域内。
• 该方法假设技能是最优的，并且下层的任务来自于技能空间的相同分布，因此学习的通用性和变化适应性有限，例如从移动方块中学习技能，则无法应对障碍物、物体变化、不同摩擦等情况。

为解决上述问题，本文提出了以下创新方法，称为残差技能策略（Residual Skill Policies，ReSkill）：

• 状态条件技能先验：对相关技能进行采样来引导探索
• 底层残差策略：通过对技能进行细粒度的技能适应，实现任务变化的适应

1.2 方法

总的来说，该方法将经典控制器产生的演示轨迹分解为与任务无关的技能，并将其嵌入到连续到技能空间中，利用技能空间实现真正的通用学习，上层智能体能够从技能空间中访问但不动作，降低了对数据集详细程度的要求。

• 从现有控制器中提取技能
• 学习技能嵌入和先验技能
• 训练一个分层强化学习策略，在技能空间中使用底层残差适应性策略。

（1）数据收集

本文通过手动控制收集演示数据（基本操作任务，如推物体、抓物体），虽然任务简单，但轨迹包含复杂的技能，可以重新组合解决复杂的任务。

轨迹是由 state-action 成对组成的，本文从中随机切片 $H$ 长度的片段进行无监督技能提取，利用提取的动作 a 和状态 s 学习下一小节中的 state-action。

其中状态 s 包括关节角度、关节速度、夹具位置、物体位置，动作是连续的 4D 向量，包括末端位置和速度。

（2）学习强化学习的状态条件技能空间

• 将提取的技能嵌入到潜在空间中：使用变分自动编码器 VAE 将技能 $a$ 嵌入到潜在空间中，VAE 包括编码器和解码器，编码器将完整的 state-action 序列编码为 $z$，解码器根据当前状态 $s_t$ 和技能编码 $z$ 重建动作。
• 在探索过程中采样的技能状态条件先验：学习潜在技能空间上的条件概率密度。传统的高斯密度不能处理多模态信息，本文使用 real NVP 方法，实值非体积保留变换。学习从 $Z\times S->G$ 的映射，该映射就可以从简单分布 G 变换到技能空间 Z，因此 f 就是技能先验。

变分自编码器，是一种深度生成模型 传统：传统的自编码器包括编码器和解码器两部分，经过反复训练，输入数据被编码成一个编码向量，编码向量的每一个维度表示学习到的数据的特征，解码器尝试从编码向量中解码原始输入 缺陷：传统的方法，使用单个值表示输入在某个潜在特征的表现。但实际上，将潜在特征表示为可能的取值范围会更合理。 改进：因此变分自编码器就是使用取值的概率分布，代替原来的单值表示特征。 优势：每个潜在特征表示为概率分布，解码时从潜在状态分布中随机采样，生成一个编码向量作为解码器的输入。实现了连续且平滑的潜在空间表示（潜在空间中彼此相邻的值重构出的结果相似） 参考理解:https://zhuanlan.zhihu.com/p/64485020

（3）状态条件技能空间中的强化学习

一旦训练完成，解码器和技能先验权重就会被冻结，并合并到 RL 框架中。高级强化学习策略 $\pi$ 是一个神经网络，将状态映射到技能先验变化中的向量 g，在转换为潜在技能 Z。

然后解码器根据技能范围 H 的当前状态顺序重构动作。同时有一个底层残差策略，调整解码后的技能。

1.3 总结

该方法是一种基于技能的强化学习方法。

1. 数据收集：使用最基本的控制器生成一些基本任务轨迹（移动、抓取），然后将这些轨迹分割成固定长度的序列，每一小段包括动作和对应的状态。
2. 学习技能空间，使用变分自编码器将技能编码到潜在空间中；使用realNVP将技能潜在空间+机器人状态空间映射到简单分布空间（高斯分布），这样可以直接根据状态采样技能，称为技能先验。
3. 强化学习：使用一个高层策略网络，根据当前的状态生成一个向量，根据技能先验（与当前状态有关的技能）中选择一个技能，利用技能解码器解码成机器人动作。

二、代码复现

2.1 环境搭建

（1）安装mujoco：

下载mujoco

wget https://mujoco.org/download/mujoco210-linux-x86_64.tar.gz

创建一个隐藏文件夹，尽量不要修改此路经

mkdir ~/.mujoco

将mujoco库解压到上面的文件夹中

tar -xvzf mujoco210-linux-x86_64.tar.gz -C ~/.mujoco

编辑环境变量

gedit ~/.bashrc

在文件最后添加下面的语句，注意修改自己的用户名

# Mujoco environment
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib/nvidia
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/用户名/.mujoco/mujoco210/bin
export LD_PRELOAD=/usr/lib/x86_64-linux-gnu/libGLEW.so

刷新环境变量，重启terminal或执行下面的命令

source ~/.bashrc

测试mujoco

cd ~/.mujoco/mujoco210/bin
./simulate ../model/arm26.xml

能看到一个mujoco界面启动，并看到一个二自由度机械臂，说明安装成功。../model/下也有很多其它的模型示例，感兴趣可以看看。

（2）python环境构建

git clone https://github.com/krishanrana/reskill.git
cd reskill
conda env create -f environment.yml
conda activate reskill_new
pip install -e .
cd reskill

2.2 数据收集

使用下面的脚本收集数据

python data/collect_demos.py --num_trajectories 40000 --subseq_len 10 --task block

其中task可以设置为block或hook。

2.3 训练

训练技能模块：

python train_skill_modules.py --config_file block/config.yaml --dataset_name fetch_block_40000

可视化训练完成的技能模块的性能：

python utils/test_skill_modules.py --dataset_name fetch_block_40000 --task block --use_skill_prior True

训练reskill代理：

python train_reskill_agent.py --config_file block/config.yaml --dataset_name fetch_block_40000

可视化训练完成的reskill代理：

python utils/test_reskill_agent.py --dataset_name fetch_block_40000 --env_name FetchSlipperyPush-v0

2.4 日志记录

使用W&B，第一次train时输入自己的api即可。

三、代码理解

3.1 基本定义

（1）机器人动作

算法中机器人通过下面的方法进行定义：

def _set_action(self, action):
	'''设置动作，在模拟环境中执行动作'''
	# 处理输入动作
	assert action.shape == (4,) # 确保输入的动作形状是（4，）
	action = action.copy()      # ensure that we don't change the action outside of this scope
	pos_ctrl, gripper_ctrl = action[:3], action[3]  # 将动作差分成位置控制[:3]和夹爪控制[3]

	# 对输入动作值进行处理，末端位置进行缩放，旋转固定，夹爪根据条件是否设0
	pos_ctrl *= 0.05  # 限制位置变化的最大值
	rot_ctrl = [1., 0., 1., 0.]  # 固定末端执行器的旋转，使用四元数表示
	#rot_ctrl = [ 0.5, -0.5, 0.5, 0.5 ]  # 90 deg rotation of the original end effector, expressed as a quaternion
	gripper_ctrl = np.array([gripper_ctrl, gripper_ctrl])   # 夹爪复制成两个
	assert gripper_ctrl.shape == (2,)
	if self.block_gripper:  # 如果block_gripper，则将手指位置设置为0
		gripper_ctrl = np.zeros_like(gripper_ctrl)
	# 将经过修改后的位置控制、固定的末端执行器旋转和处理后的夹爪控制连接成一个新的动作数组 action
	action = np.concatenate([pos_ctrl, rot_ctrl, gripper_ctrl])

	# Apply action to simulation. 将动作应用到仿真环境中
	utils.ctrl_set_action(self.sim, action)
	utils.mocap_set_action(self.sim, action)

可以看出在本算法中，机器人的动作被定义为了长度为4的数组，四个值分别代表机器人末端的控制位置和夹爪开合大小。（这里旋转被忽略了，因为任务是抓取方块到指定位置，所以算法直接设置末端永远竖直向下）

action = [x, y, z, gripper]

实际上gym中机器人的action使用长度为9的数组进行控制，分别代表末端的空间位置3个变量，末端的空间姿态四元数，夹爪两个平行板的动作。

action = [x, y, z, quat1, quat2, quat3, quat4, gripper_l, gripper_r]

（2）观测状态

观测状态通过如下代码获取：

    def _get_obs(self):
        '''获得环境的观察'''
        # 位置
        grip_pos = self.sim.data.get_site_xpos('robot0:grip')   # 获取机器人手爪的位置
        dt = self.sim.nsubsteps * self.sim.model.opt.timestep
        grip_velp = self.sim.data.get_site_xvelp('robot0:grip') * dt    # 计算手爪的线速度
        robot_qpos, robot_qvel = utils.robot_get_obs(self.sim)  # 使用辅助函数获取机器人的位置和速度

        gripper_state = robot_qpos[-2:]     # 提取了夹爪的状态和速度
        gripper_vel = robot_qvel[-2:] * dt  # change to a scalar if the gripper is made symmetric

        # 将夹爪的位置、状态、夹爪线速度、速度连接起来，形成初始观察
        obs = np.concatenate([
            grip_pos,
            gripper_state,
            grip_velp,
            gripper_vel,
        ])

        # 存储已经到达的目标
        achieved_goal = []

        # 遍历所有的方块
        for i in range(self.num_blocks):
        # for i in range(1):

            # 获取方块们的位置、姿态、速度、相对位置、相对速度
            object_i_pos = self.sim.data.get_site_xpos(self.object_names[i])
            # rotations
            object_i_rot = rotations.mat2euler(self.sim.data.get_site_xmat(self.object_names[i]))
            # velocities
            object_i_velp = self.sim.data.get_site_xvelp(self.object_names[i]) * dt
            object_i_velr = self.sim.data.get_site_xvelr(self.object_names[i]) * dt
            # gripper state
            object_i_rel_pos = object_i_pos - grip_pos
            object_i_velp -= grip_velp

            # 连接到观察值中
            obs = np.concatenate([
                obs,
                object_i_pos.ravel(),
                object_i_rel_pos.ravel(),
                #object_i_rot.ravel(),
                object_i_velp.ravel(),
                #object_i_velr.ravel()
            ])

            # This is current location of the blocks
            # 方块们的当前位置
            achieved_goal = np.concatenate([
                achieved_goal, object_i_pos.copy()
            ])

        achieved_goal = np.concatenate([achieved_goal, grip_pos.copy()])

        achieved_goal = np.squeeze(achieved_goal)

        if self.use_force_sensor:
            self.sim.data.get_sensor('force_sensor') 
            force_reading = self.sim.data.sensordata # Read force sensor reading from tray
        else:
            force_reading = [0,0,0]

        return {
            'observation': obs.copy(),
            'achieved_goal': achieved_goal.copy(),
            'desired_goal': self.goal.copy(),
            'force_sensor': force_reading.copy()
        }

可以看出观测状态是一个字典：

键	值	含义
observation	[grip_x, grip_y, grip_z,	grip_pos，末端位置
	grip_q1, grip_q2, grip_q3, grip_q4,	grip_quat，末端姿态
	gripper_left, gripper_right,	gripper_state，夹爪两侧状态
	grip_vx, grip_vy, grip_vz,	grip_vel，末端速度
	grip_wx, grip_wy, grip_wz	grip_w，末端角速度
	gripper_vl, gripper_vr,	gripper_vel，夹爪两侧速度
	obj1_x, obj1_y, obj1_z,	obj_i_pos，方块 i 位置
	obj1_q1, obj1_q2, obj1_q3, obj1_q4	obj_i_quat，方块 i 姿态
	obj1_rx, obj1_ry, obj1_rz,	obj_i_rel_pos，方块 i 相对末端位置
	obj1_rq1, obj1_rq2, obj1_rq3, obj1_rq4	obj_i_rel_quat，方块 i 相对末端姿态
	obj1_vx, obj1_vy, obj1_vz,	obj_i_velp, 方块 i 相对末端速度
	obj1_wx, obj1_wy, obj1_wz,	obj_i_wp，方块 i 相对末端角速度
	obj2…	方块 2 位置、相对位置、相对速度
	obji…]	方块 i 位置、相对位置、相对速度
achieved_goal	[obj1_x, obj1_y, obj1_z, obj1_q1, obj1_q2, obj1_q3, obj1_q4, …	每调用一次_get_obs()方法 保存所有方块的位置姿态
	grip_x, grip_y, grip_z, grip_q1, grip_q2, grip_q3, grip_q4 …]	将当前末端位置 添加到 achieved_goal 最后
desired_goal	[[x1, y1, z1], [x2, y2, z2], … ]	多个目标位置
force_sensor	[f_x, f_y, f_z]	force_reading，末端力，默认[0,0,0]

💰