为了让AI实现终身学习，帝国理工、谷歌DeepMind竟动用了三大基础模型！
「大模型+视觉语言模型+扩散模型」三模并用，构建了全新框架——扩散增强智能体（DAAG）。
DAAG的诞生，就是让具身智能体进行迁移学习、高效探索。
最新框架利用了「后见之明经验增强」（Hindsight Experience Augmentation）技术，让扩散模型以时间和几何一致的方式转换视频。
让其与目标指令对齐，从而对智能体过去经验进行重新标记。
论文地址：https://arxiv.org/pdf/2407.20798
大模型在无需人类监督情况下，自主协调这一过程，使其非常适合终身学习场景。
经过一系列实验，结果表明，DAAG改进了奖励检测器的学习、过去经验的迁移以及新任务的获取。
这些都是开发高效终身学习智能体的关键能力。
无需人类监督，AI终身强化学习
一直以来，具身AI的训练数据极其稀缺，特别是在强化学习场景中尤为突出。
因为这类智能体需要与物体环境进行互动，而传感器和执行器成为了主要瓶颈。
然而，克服这一挑战需要开发出，能够从有限经验中高效学习、适应的智能体。
对此，研究人员假设，具身智能体可以通过利用过去经验，有效探索，并在任务之间转移知识，实现更高数据搬运效率。
即便在没有外部奖励的情况下，他们希望让智能体可以自主设置、评分子目标，并能重新利用之前任务经验，加速新任务学习。
因此，最新研究中，团队成员使用预训练的基础模型Gemini 1.0 Pro来解决这些问题。
通过视觉、语言和扩散模型的相互作用，让智能体更有效推理任务，解释环境和过去经验，并操纵自身收集的数据，以重新用于新任务和目标。
更重要的是，DAAGG可以自主运行，无需人类监督，凸显其特别适合终身强化学习的场景。
如下图1，是扩散增强智能体完整框架。
其中，LLM充当主要控制器/大脑，查询和指导VLM和DM，以及智能体的高级行为。
通过一系列在不同环境中的实验，研究人员证明了DAAGG在改进智能体在关键能力上的表现：
1）用扩散模型生成合成样本增强的数据，微调视觉语言模型，自主计算已见和未见任务的奖励；
2）为给定任务设计和识别有用的子目标，通过扩散模型修改记录的观察，重新利用原失败的轨迹，从而更有效地探索和学习新任务；
3）提取相关数据，使用扩散模型重新利用其他轨迹，有效地将先前收集的数据转移到新任务中。
图2所示，DAAGG方法如何通过扩散增强，重新利用智能体的经验。
研究人员提出了一个扩散管道，提高了几何和时间一致性，并修改了智能体收集的部分视频。
方法
DAAGG具体设计方法如下。
研究人员将环境形式化为「马尔可夫决策过程」（MDP）：在每个时间步t，环境和智能体处于状态s ∈ S。
从该状态，智能体接收视觉观察o ∈ O，并可以执行动作a ∈ A。
在每个回合中，智能体接收一个指令，这是用自然语言T描述的要执行的任务。
如果任务成功执行，智能体可以在回合结束时，获得奖励r = +1。
这项论文中，除了独立学习新任务外，作者还研究了DAAGG框架以终身方式连续学习任务的能力。
因此，智能体将交互经验存储在两个缓冲区中：当前任务缓冲区，称之为新缓冲区
：这个缓冲区在每个新任务开始时初始化。
然后是离线终身缓冲区
：智能体将所有任务的所有回合存储在这个缓冲区中，无论它们是否成功。
因此，后者是一个不断增长的经验缓冲区，智能体随后可以用它来引导新任务的学习。
以下是，作者选用的三种模型目的：
- 大模型LLM：编排智能体的行为，以及指导VLM和DM。LLM接受文本指令和数据，并输出文本响应。而且，利用LLM将任务分解为子目标，比较不同任务/指令的相似性，并查询VLM和DM。
- 视觉语言模型VLM：使用的是对比模型CLIP。CLIP由两个分支组成：图像分支和文本分支，它们分别以视觉观察和文本描述作为输入，最终输出相同大小的嵌入向量。
- 扩散Pipeline：研究的核心是通过语言指导的扩散模型，修改视觉观察。扩散Pipeline是为了提取智能体记录的观察
或一系列时间观察
，并保持几何和时间一致性的同时，修改观察中的一个或多个对象。
如下是，扩散Pipeline的示意图。
在图5中，作者比较了ROISE和自己提出的Pipeline输出。前者不能保持对象姿势和外观，在帧之间的一致性。
扩散增强智能体框架
在扩散增强数据上，微调VLM作为奖励检测器
VLM可以有效地用作奖励检测器，条件是基于语言定义的目标和视觉观察。
最近的研究显示，为了提升准确性，VLM通常需要在目标环境中收集的token数据上进行微调，适应所需的任务。
这是一个耗时的任务，而且每个新任务需要人类手动完成，严重阻碍了智能体以终身方式自主连续学习的多任务能力。
通过DAAGG框架，作者在先前收集的观察上微调VLM来解决这一挑战。
这个过程如上图2所示，通过这个过程，微调VLM作为LLM分解当前任务的所有子目标
的成功检测器。
通过后见之明经验增强，实现高效学习和迁移
在任何任务中收集的每个回合后，智能体收集一系列观察和动作
。
在DAAGG中，研究人员旨在最大化智能体可以学习处理新任务的回合数量，即使它没有达到任何所需的子目标。
最后，他们通过一个称为后见之明经验增强（HEA）的过程来实现这一点。
实验结果
DAAGG框架提出了LLM+VLM+DM之间的相互作用，以解决终身学习智能体面临的3个主要的挑战：
1）微调新的奖励/子目标检测模型，
2）提取和转移过去经验用于新任务，
3）高效探索新任务。
DAAGG能否将VLM微调为新任务的奖励检测器？
图7显示了，在数据集中没有示例的最左侧任务中，DAAGG如何通过综合其他任务中的示例实现大幅改进，同时在所见的任务中保持相同的性能。
在RGB Stacking和Language Table环境中，物体姿势之间的精确几何关系非常重要，而DAAGG与基线的差异则更为显著，这说明需要进行扩散增强才能获得有效的奖励检测器。
在「房间」环境中，CLIP接收到的观察结果虽然来自低保真模拟器和渲染器，但更接近它在网络规模数据集（水果和家具图片），上进行训练时接收到的观察结果分布。
因此，CLIP「零样本」性能要强得多，而在其他任务中，CLIP零样本性能则接近于随机猜测，这表明有必要进行微调。
DAAGG能否更高效地探索和学习新任务？
下图8中，作者绘制了100个测试事件中，成功解决任务实例的数量与训练事件数量的函数关系图。
在测试过程中，不执行任何探索策略或指导，而是让策略网络来引导智能体。
可以看到，DAAGG的学习速度比基线更快，将某些不成功的事件作为学习信号的能力，有助于提高在所有测试环境中的学习效率。
DAAGG能否更有效地连续学习任务，从过去的任务中转移经验？
图9中，研究人员比较了每种方法在使用
时，在任务
上的性能，性能指标是成功率。
可以看到，DAAGG超越了两个基准方法，主要归功于它能够从存储在
中大部分经验中学习，通过修改和重新利用解决
或其子目标
之外的任务轨迹。
通过场景视觉增强提高鲁棒性
然后，研究人员使用pipeline对每个观察进行5次增强，查询LLM来提出增强的描述（比如，一个有红色地板和白色墙壁的房间）。
作者将所有这些增强的观察添加到缓冲区，并在其上训练策略。
在原始和增强数据集上，训练的策略都在5个视觉上修改的房间中进行测试，随机改变墙壁和地板的颜色以及干扰物体，在每个房间进行20次测试回合。
图11展示了，视觉增强如何带来一个更加鲁棒的策略，能够在视觉上与单一训练Room中，与训练环境很不同的Room中也达到相同目标。
总而言之，这项研究中，作者提出了扩散增强智能体（DAAGG）。
这是一个结合了大型语言模型、视觉语言模型和扩散模型的框架，旨在解决具身AI智能体终身强化学习中的关键挑战。
关键研究结果表明，DAAGG能够在新的、未见过的任务中准确检测奖励，而传统方法在这些任务上难以泛化。
通过重用先前任务的经验，DAAGG能够逐步更高效地学习每个后续任务，得益于迁移学习而需要更少的回合。
最后，通过将不成功的回合，扩散为相关子目标的成功轨迹，DAAGG显著提高了探索效率。
