本文提出的用于模仿学习的 ROT 算法，无需任何预训练，在 14 项任务中的平均成功率为 90.1%。
模仿学习（Imitation Learning, IL）具有悠久历史，可以分为两种广泛的范式，分别为行为克隆（BC）和逆强化学习（IRL）。BC 使用监督学习来获得一个策略，在演示中给定一个观察的情况下，该策略能够最大化采取演示行动的可能性。这虽然使得训练时不需要在线交互，但在线 rollout 期间存在分布不匹配的情况。
IRL 在通过在线环境 rollout 使用 RL 优化策略前，从演示轨迹中推断潜在的奖励函数。这使得策略即使在任务特定奖励缺失时也能稳健地解决演示任务。尽管很强大，但 IRL 方法存在一个重大的缺陷，它们需要大量的、成本高昂的在线环境交互。
在近日一项工作中，纽约大学的研究者提出了用于模仿学习的 ROT（Regularized Optimal Transport）算法，从概念上来讲，这是一种简单的新方法，ROT 与高维观测兼容，并且与标准 IRL 方法，所需额外超参数最少。
此外，为了解决 IRL 中关于奖励的非平稳性难题，ROT 采用 OT（Optimal Transport）进行奖励计算，这种方式使用非参数轨迹匹配函数。为了减轻智能体探索的挑战，该研究在专家演示中使用 BC 预训练 IRL 行为策略。这减少了模仿智能体从头开始探索的需求。
论文地址：https://arxiv.org/pdf/2206.15469.pdf论文主页：https://rot-robot.github.io/
然而，即使使用基于 OT 的奖励计算和预训练策略，该研究也只能获得边际收益。基于先前工作的启发，该研究通过正则化 IRL 策略来稳定在线学习过程，以保持接近预训练 BC 策略。
为了实现这一点，研究者开发了一种新的自适应权重方案，称为 soft Q-filtering，它可以自动设置正则化，即优先考虑在训练开始时紧跟 BC 策略，并优先考虑随后的探索。与先前的策略正则化方案相比，soft Q-filtering 不需要手动指定衰减时间表。
为了证明 ROT 的有效性，研究者在 DM Control、OpenAI Robotics 和 Meta-world 的 20 个模拟任务上进行了大量实验，并在 xArm 上进行了 14 个机器人操作任务（见下图 1）。
我们先来看下 ROT 的效果，机器人将盒子里的物体倒入另一个盒子，没有漏撒的情况
机器人准确地将杯子扣在支架上。
机器人准确的挂衣架。
方法概览
模仿学习面临的一个挑战是：平衡模仿演示行为的能力，以及演示状态分布之外的状态恢复能力。BC 通过监督学习来模仿演示的动作，而 IRL 专门研究如何从任意状态中恢复策略。ROT 可以将两者优势结合起来。
完成上述过程分为以下两个阶段：
- 第一阶段，在专家演示数据上使用 BC 目标训练随机初始化策略，然后 BC 预训练策略用作第二阶段的初始化；
- 第二阶段，BC 预训练策略可以访问使用 IRL 目标进行训练的环境。为了加速 IRL 训练，BC 损失被添加到具有自适应权重目标中。
阶段 1：BC 预训练
BC 对应于求解方程 2 中的最大似然问题，其中 T^e 指的是专家演示。当由具有固定方差的正态分布参数化方程时，我们可以将目标定义为回归问题，其中给定输入 s^e，π^BC 需要输出 a^e。
经过训练，π^BC 能够模拟与演示中看到的对应动作。
阶段 2：使用 IRL 进行在线微调
给定一个预训练 π^BC 模型，在环境中对策略 π^b ≡ π^ROT 进行在线微调。研究者使用 n-step DDPG 方法，这是一种基于确定性 actor-critic 的方法，可在连续控制中提供高模型性能。
用正则化 π^BC 进行微调很容易受到分布偏移的影响，并且直接微调 π^BC 也会导致模型性能不佳（参见第 3 节中的图 2）。为了解决这个问题，研究者基于引导 RL（guided RL） 和离线 RL 方法，通过将π^ROT 与 BC 损失相结合，将π^ROT 的训练规范化，如下方程 3 所示。
具有 Soft Q-filtering 的自适应正则化。虽然之前的工作使用经过手动调优的 λ(π) 时间表，但研究者提出了一种新的、无需调优的自适应方案。他们通过在从专家 replay 缓冲区 D_e 采样的一批数据中比较当前策略 π^ROT 和预训练策略 π^BC 的性能来完成。
实验结果
ROT 对于模仿学习的效率如何？ROT 在基于图像的模仿中的表现如下图 3 所示。在除一项任务之外的所有任务中，ROT 的训练速度明显快于之前的工作。
为了达到 90% 的专家性能，ROT 在 DeepMind Control 任务上平均快 8.7 倍，在 OpenAI Robotics 任务上快 2.1 倍，并在 Meta-world 任务上快 8.9 倍。该研究还发现，ROT 的改进在较难的任务上最为明显，位于图 3 的最右边一列。
ROT 在现实世界的任务中是如何执行的？研究者在 14 个真实世界的操作任务上进行评估。仅仅通过一次演示和一小时的在线训练，ROT 在 14 项任务中的平均成功率为 90.1%，这明显高于基于行为克隆 (36.1%) 和对抗性 IRL (14.6%) 的方法。
ROT 在不同的起始位置上都表现良好。
不过，ROT 也有失败的情况。
在 ROT 中 IRL 方法的选择有多重要？下图 6 将 ROT 与使用该研究中预训练和自适应 BC 正则化技术 (RDAC) 的对抗性 IRL 方法进行比较。结果发现，soft Q-filtering 方法确实改善了先前 SOTA 对抗 IRL（图 6 中的 RDAC 与 DAC）。然而，基于 OT 的方法 (ROT) 更稳定，并且平均而言会促进更有效的学习。
