备注：本文过于偏学术分析，可能需要一定相关知识基础。

1 前言

几天前，也就是2月5号，UCB的Chelsea Finn又发了新文章：

[1802.01557] One-Shot Imitation from Observing Humans via Domain-Adaptive meta-Learning
arxiv.org

这篇文章的发布，使得OpenAI及UCB（也就是Pieter Abbeel组）实现了机器人One Shot Imitation Learning的三级跳，达到了这个问题研究的新高度。

前两篇文章分别是：

https://arxiv.org/abs/1703.07326
arxiv.org

[1709.04905] One-Shot Visual Imitation Learning via meta-Learning
arxiv.org

可以说，最新Chelsea Finn这篇One-Shot Imitation Learning文章把机器人学习推到了更高的高度，进一步让我们看到了深度学习的无穷潜力。

那么，我们下面就来好好再分析一下这三篇paper，也让大家对One-Shot Imitation Learning有一个更清楚的了解。

2 什么是One-Shot Imitation Learning？

One-Shot Imitation Learning一眼模仿学习，可以说是机器人学习的一个比较终极的问题，最理想的情况就是我们人教机器人一个任务，我们稍微演示一下，机器人就能学会！一旦机器人具备这样的模仿学习能力，机器人就具备了非常强大的通用性，也非常类似我们人类的学习过程，可以说是机器人智能的一大进步。

但是这个问题一开始看起来是非常难的，机器人要如何才能理解人类的动作呢？不但理解人类的动作，还要理解动作的意图，然后还要能直接映射到机器人自身的机械控制输出上。而且，最最关键的是，我们还希望只用视觉输入，不对视觉做特定的人为处理。那么这就太难了，传统机器人控制理论可以说完全束手无策呀。

但是现在我们希望通过深度学习的方式来实现。即使这样，仍然是非常困难的。就如上一段所说的，要完成多种量的映射，怎么学是个很大的问题。

因此呢，Pieter Abbeel组还是采用非常循序渐进的方式来研究：

Step 1：我们让机器人自己给自己演示，也就是通过机器人本身采集输入输出样本，甚至我们的输入不使用视频，而是使用标记的数据，比如每一个方块的位置信息。这大概是最简单的实验方式了，先看看这样能不能work。

Step 2：在Step 1能work的情况下，我们再进一步增加难度，把输入变成视觉输入，看能做到怎样的效果。

Step 3：在Step 2能work的情况下，我们进入最初希望的One-Shot Imitation Learning设定，让机器人看的演示是人来演示，只有视频，没有对应机器人的控制输出。

显然他们这样的步步推进的研究方式是非常合理的，并且竟然仅用一年时间就取得了如此重要进展，一切都展现在他们这三篇paper上。

3 如何解决？meta Learning是关键

在我们之前的很多blog中，已经为大家介绍了meta Learning的相关知识。那么，非常直接的，One-Shot Imitation Learning问题本身就是一个meta Learning的问题。要使One-Shot Imitation Learning能够成功，实际上就是要求神经网络能够通过one-shot demo去学习一种meta Knowledge能够理解demo的意图并直接映射到控制输出。简单的讲，我们就希望学习这样一个神经网络f，满足：

a_t = f(s_t,demo;θ)

其中，s是输入状态，a是输出动作，demo则是给出的演示信息，在step 1和2的研究中，demo包含了机器人对应的state和action。而在step 3的研究中，demo则仅仅包含人演示的state（视频帧），而没有action信息。

有了这样基本的认识，我们就可以一步一步的来看上面列举的三篇文章了。

4 One-Shot Imitation Learning


这篇文章作为One-Shot Imitation Learning的开山之作，用了最简单的方式，就是构造一个单一的神经网络，把demo数据都放进神经网络训练，即上一节提到的基本公式： at = f(st,demo;θ) 。

那么，怎么输入这些数据是个问题。一开始最基本的考虑就是使用LSTM，把demo数据作为sequence data输入。但是LSTM本身存在记忆信息损失的问题，并不能完整的保存整个demo的信息。因此，现在更流行的做法就是使用Temporal Convolution，一维卷积。因此，在本文的改进版中，就改用了TCNN，并且加了Attention机制：


不管网络结构如何，本质是没有变的。实际上这个处理办法也可以直接看成是一种conditional neural network。

小结一下：作为开山之作，这篇文章使用了最简单粗暴的做法，取得了一定效果。

5 One-Shot Visual Imitation Learning via meta-Learning
那么在上一篇paper刚放出来的时候，他的实验里是仅使用方块位置信息作为state，并没有使用视觉输入。也因此，在Chelsea Finn的这篇文章中，她的文章名字里就加了一个visual，表示直接使用视觉信息。然后，直接指出使用meta-Learning的做法。本质上上一篇文章的做法也是meta-Learning了，只是当时还没有特定提起这个概念。

OK，那么这篇文章的做法是直接使用Chelsea Finn自己提出的MAML算法。

什么是 MAML?

https://arxiv.org/abs/1703.03400
arxiv.org

MAML是一个面向监督学习和增强学习的meta-Learning算法。对于监督学习，主要面向Few-Shot Learning少样本学习，这和One-Shot Imitation Learning的目的是一样的，因此将其直接应用到这上面非常自然。

MAML的基本思想非常简单，就是先用给予的样本比如这里的Demo对神经网络做一次反向传播更新，然后在已更新参数的基础上再做监督学习。也就是，MAML是要学习训练一个这样的函数f:

a_t = f(s_t;g(θ,demo))

其中g使用当前参数和demo对参数进行更新。很自然的，g可以是一个梯度下降过程：

θ_new = g(θ,demo) = θ - α * Δ_θLoss(demo)

既然demo本身包含了（state，action），因此可以通过state输入到当前神经网络，得到预测action，从而与真实action比较得到loss。

采用MAML有一个非常直接的优点，就是保持了神经网络参数的不变性，虽然增加了demo的输入，但是网络参数保持不变。

通过MAML，本文做出的效果和上一篇比较略有提高。

6 One-Shot Imitation from Observing Humans via Domain-Adaptive meta-Learning


现在到最新这一篇paper的分析。这篇paper最关键的就是问题的设定变了，demo变成了人类演示，只有视频，没有动作信息。那么，问题来了，如果要用MAML来实现，怎么做？

如何通过Loss进行梯度下降更新网络参数呢？

但是没有action，只有state，哪来的Loss？

但本文跳出了这样的思维局限。由于我们是使用meta-Train进行训练，因此，没有Loss，我们就构造一个Loss呗。

用一个神经网络来g表示Loss，我们也不知道Loss到底是什么，但是我们可以通过

Loss = g(state)

来得到loss，这就够了，整个神经网络可以在meta-Train中进行更新。

因此，有了这样的网络结构：


并且，作者采用Temporal Convolution来构造这个Loss Network：


小结一下：这篇文章巧妙的利用MAML算法对这个更难的One-Shot Imitation Learning进行处理，确实Work了，取得了让人意想不到的效果，可以说是眼前一亮！

7 总结

One-Shot Imitation Learning如此迅速的发展，meta-Learning可以说功不可没。未来，非常显然的，需要进一步加大问题的复杂度，比如改成第三视角（Third Person One-Shot Imitation Learning）,比如进一步增加task的复杂度，要更长的动作序列才能完成，再比如多任务同时Handle。我们可以想象，未来一两年，一种完全端到端，完全通过学习而得到的具备较强模仿学习能力的机器人将可以出现，这种机器人具备非常强的适应能力，可以在不同场景中保持工作能力。

智能机器人，正在一步步的走向它应该有的智能的样子！
 

本文转载自知乎，作者：Flood Sung，如若转载请联系原作者。