有了大模型作为智能上的加持，人型机器人已然成为新的风口。
科幻电影中「安能辨我不是人」的机器人似乎已经越来越近了。
不过，要想像人类一样思考和行动，对于机器人，特别是人型机器人来说，仍是个艰巨的工程问题。
就拿简单的学走路来说，利用强化学习来训练可能会演变成下面这样：
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
道理上没有什么问题（遵循奖励机制），上楼梯的目标也达到了，除了过程比较抽象，跟大部分人类的行为模式可能不太一样。
机器人之所以很难像人一样“自然”行动，原因在于观察和行动空间的高维性质，以及双足动物形态固有的不稳定性。
对此，LeCun参与的一项工作给出了基于数据驱动的全新解决方案。
论文地址：https://arxiv.org/pdf/2405.18418
项目介绍：https://nicklashansen.com/rlpuppeteer
先看疗效：
对比右边的效果，新的方法训练出了更接近于人类的行为，虽然有点「丧尸」的意味，但抽象度降低了不少，至少在大部分人类的能力范围之内。
当然了，也有来捣乱的网友表示，「还是之前那个看着更有意思」。
在这项工作中，研究人员探索了基于强化学习的、高度数据驱动的、视觉全身人形控制方法，没有任何简化的假设、奖励设计或技能原语。
作者提出了一个分层世界模型，训练高级和低级两个智能体，高级智能体根据视觉观察生成命令，供低级智能体执行。
开源代码：https://github.com/nicklashansen/puppeteer
这个模型被命名为Puppeteer，利用一个模拟的56-DoF人形机器人，在8个任务中生成了高性能的控制策略，同时合成了自然的类似人类的动作，并具有穿越挑战性地形的能力。
高维控制的分层世界模型
在物理世界中学习训练出通用的智能体，一直是AI领域研究的目标之一。
而人形机器人通过集成全身控制和感知，能够执行各种任务，于是作为多功能平台脱颖而出。
不过要模仿咱们这种高级动物，代价还是很大的。
比如下图中，人型机器人为了不踩坑，就需要准确地感知迎面而来的地板缝隙的位置和长度，同时仔细协调全身运动，使其有足够的动量和范围来跨越每个缝隙。
Puppeteer基于LeCun在2022年提出的分层JEPA世界模型，是一种数据驱动的RL方法。
它由两个不同的智能体组成：一个负责感知和跟踪，通过关节级控制跟踪参考运动；另一个「视觉木偶」（puppeteer），通过合成低维参考运动来学习执行下游任务，为前者的跟踪提供支持。
Puppeteer使用基于模型的RL算法——TD-MPC2，在两个不同的阶段独立训练两个智能体。
（ps：这个TD-MPC2就是文章开篇用来比较的那个动图，别看有点抽象，那实际上是之前的SOTA，发表在今年的ICLR，一作同样也是本文的一作。）
第一阶段，首先对用于跟踪的世界模型进行预训练，使用预先存在的人类动作捕捉数据作为参考，将运动转换为物理上可执行的动作。这个智能体可以保存起来，在所有下游任务中重复使用。
在第二阶段，训练一个木偶世界模型，该模型以视觉观察为输入，并根据指定的下游任务，整合另一个智能体提供的参考运动作为输出。
这个框架看上去大道至简：两个世界模型在算法上是相同的，只是在输入/输出上不同，并且使用RL进行训练，无需其他任何花里胡哨的东西。
与传统的分层RL设置不同的是，「木偶」输出的是末端执行器关节的几何位置，而不是目标的嵌入。
这使得负责跟踪的智能体易于在任务之间共享和泛化，节省整体计算占用的空间。
研究方法
研究人员将视觉全身人形控制，建模为一个由马尔可夫决策过程（MDP）控制的强化学习问题，该过程以元组（S，A，T，R，γ，∆）为特征，
其中S是状态，A是动作，T是环境转换函数， R是标量奖励函数， γ是折扣因子，∆是终止条件。
如上图所示，研究人员使用RL在人类MoCap数据上预训练跟踪智能体，用于获取本体感觉信息和抽象参考运动输入，并合成跟踪参考运动的低级动作。
然后通过在线互动，对负责下游任务的高级木偶智能体进行训练，木偶接受状态和视觉信息输入，并输出命令供跟踪智能体执行。
TD-MPC2
TD-MPC2从环境交互中学习一个潜在的无解码器世界模型，并使用学习到的模型进行规划。
世界模型的所有组件都是使用联合嵌入预测、奖励预测和时间差异 损失的组合端到端学习的，而无需解码原始观察结果。
在推理过程中，TD-MPC2遵循模型预测控制（MPC）框架，使用模型预测路径积分（MPPI）作为无导数（基于采样）的优化器进行局部轨迹优化。
为了加快规划速度，TD-MPC2还事先学习了一个无模型策略，用于预启动采样程序。
两个智能体在算法上是相同的，都由以下6个组件组成：
实验
为了评估方法的有效性，研究人员提出了一种新的任务套件，使用模拟的56自由度人形机器人进行视觉全身控制，总共包含8个具有挑战性的任务，用于对比的方法包括SAC、DreamerV3以及TD-MPC2。
8个任务如下图所示，包括5个视觉条件全身运动任务，以及另外3个没有视觉输入的任务。
任务的设计具有高度的随机性，包括沿着走廊奔跑、跳过障碍物和缝隙、走上楼梯以及绕过墙壁。
5个视觉控制任务都使用与线性前进速度成正比的奖励函数，而非视觉任务则奖励任何方向的位移。
上图绘制了学习曲线。结果表明，SAC和DreamerV3在这些任务上无法实现有意义的性能。
TD-MPC2在奖励方面的性能与本文的方法相当，但会产生不自然的行为（参见下图中的抽象动作）。
此外，为了证明Puppeteer生成的动作确实更「自然」，本文还进行了人类偏好的实验，对46名参与者的测试表明，人类普遍喜欢本文方法生成的运动。
