我們一向在等待機(jī)械人能在我們的平常生涯中施展主要的感化，而作為機(jī)械人強(qiáng)國的日本也一向是這一范疇的引導(dǎo)者之一。近日，日本年夜阪年夜學(xué)和日本迷信枝術(shù)復(fù)興機(jī)構(gòu)（JST）ERATO ISHIGURO 共生人機(jī)交互項(xiàng)目（Symbiotic Human-Robot Interaction Project）的研討者在 arXiv 提交了一篇論文，引見了他們在機(jī)械人的社會智能上的研討結(jié)果。別的值得一提的是，他們的試驗(yàn)用到了有名的 Pepper 機(jī)械人。 摘要 要讓機(jī)械人與人類在相似我們社會那樣的社會世界中共存，它們須要控制相似人類的社交技巧，這是很癥結(jié)的。經(jīng)由過程編程的方法來讓機(jī)械人控制這些技巧是很艱苦的。在這篇論文中，我們提出了一種多模態(tài)深度 Q 收集（MDQN：Multimodal Deep Q-Network），可讓機(jī)械人經(jīng)由過程試錯(cuò)的辦法來進(jìn)修相似人類的交互技巧。這篇論文的目的是開辟可以或許在與人類的交互進(jìn)程中搜集數(shù)據(jù)而且可以或許應(yīng)用端到真?zhèn)€強(qiáng)化進(jìn)修從高維度傳感信息中進(jìn)修人類交互行動的機(jī)械人。本論文注解，機(jī)械人在經(jīng)由了與人類的 14 天交互以后，可以勝利學(xué)會根本的交互技巧。 圖 1：機(jī)械人向人進(jìn)修社交技巧 算法引見 這里提出的算法由兩個(gè)自力任務(wù)的流構(gòu)成：一個(gè)用于處置灰度幀（grayscale frame），另外一個(gè)用于處置深度幀（depth frame）。 上面的 Algorithm 1 概述了這個(gè)算法。由于該模子有兩個(gè)流，由于其參數(shù) θ 和 θ- 是由兩個(gè)收集的參數(shù)組成的。和 DQN [10] 分歧，我們將數(shù)據(jù)生成階段和練習(xí)階段離開了。每天的試驗(yàn)都對應(yīng)于一個(gè) episode，在這時(shí)代，算法要末履行數(shù)據(jù)生成階段，要末履行練習(xí)階段。 本研討所提出的算法的偽代碼 以下是這兩個(gè)階段的簡述： 數(shù)據(jù)生成階段（data generation phase）：在數(shù)據(jù)生成階段，體系應(yīng)用 Q 收集 Q(s, a; θ) 來與其情況停止交互。該體系會不雅察以后場景（由灰度幀和深度幀組成），并應(yīng)用 ε-greedy 戰(zhàn)略來采用行為。該情況又會反過去供給標(biāo)量的嘉獎(jiǎng)（reward）（請參閱 5(2) 節(jié)懂得嘉獎(jiǎng)函數(shù)的界說）。交互閱歷是 其被存儲在重放記憶 M 中。重放記憶 M 會保留 N 個(gè)比來的閱歷，然后這些閱歷會在練習(xí)階段被用于更新該收集的參數(shù)。 練習(xí)階段（training phase）：在練習(xí)階段，該體系會應(yīng)用存儲在重放記憶 M 中的數(shù)據(jù)來對收集停止練習(xí)。超參數(shù) n 表現(xiàn)閱歷重放的數(shù)目。關(guān)于每次閱歷重放，都邑從無限年夜小的重放記憶 M 中隨機(jī)采樣出一個(gè)包括 2000 次交互閱歷的迷你緩存器 B。該模子會在從緩存器 B 中采樣出的 mini batch 長進(jìn)行練習(xí)，該收集的參數(shù)會在 bellman targets 的偏向上迭代式地更新。這個(gè)對重放記憶的隨機(jī)采樣會打破樣本之間的相干性，由于尺度的強(qiáng)化進(jìn)修辦法假定樣本是自力的且完整散布式的。將該算法分紅兩個(gè)階段的緣由是為了不延遲——假如該收集在交互時(shí)代同時(shí)停止練習(xí)就會發(fā)生這類延遲。該 DQN [16] 署理在一個(gè)輪回中任務(wù)，個(gè)中它起首會與情況停止交互，然后會將這個(gè)改變存儲到重放記憶中，然后其會從該重放記憶中采樣出 mini batch，并在這個(gè) mini batch 上練習(xí)該收集。這個(gè)輪回會賡續(xù)反復(fù)，直到終止。這個(gè)交互和練習(xí)的次序進(jìn)程在 HRI 以外的范疇或許是可以接收的。在 HRI 范疇，署理必需基于社會標(biāo)準(zhǔn)來和人類停止交互，是以機(jī)械人的任何停留和延遲都是弗成接收的。是以，我們將該算法分紅了兩個(gè)階段：在第一個(gè)階段，機(jī)械人經(jīng)由過程與人類停止無限時(shí)光的交互來搜集數(shù)據(jù)；在第二個(gè)階段，其進(jìn)入階段。在這個(gè)歇息階段，練習(xí)階段激活從而對該多模態(tài)深度 Q 網(wǎng)路（MDQN）停止練習(xí)。 完成細(xì)節(jié) 這個(gè)模子由兩個(gè)流（stream）組成，一個(gè)用于灰度信息，另外一個(gè)用于深度信息。這兩個(gè)流的構(gòu)造是完整雷同的，每一個(gè)流都由 8 個(gè)層構(gòu)成（包含輸出層）。全體模子架構(gòu)如圖 2 所示。 圖 2：雙流式卷積神經(jīng)收集 該多模態(tài) Q 收集的 y 信道和 depth 信道的輸出分離是灰度圖象（198 × 198 × 8）和深度圖象（198 × 198 × 8）。由于每一個(gè)流都應(yīng)用 8 幀輸出，是以，來自對應(yīng)相機(jī)的最新的 8 幀是被預(yù)處置后堆疊到一路，組成該收集的每一個(gè)流的輸出。由于這兩個(gè)流是完整一樣的，所以我們在這里只評論辯論一個(gè)流的構(gòu)造便可。198 × 198 × 8 的輸出圖象起首被傳遞給第一個(gè)卷積層（C1），其以 3 的步幅卷積盤算 9×9 的 16 個(gè)濾波器，前面則隨著一個(gè)整流線性單位（ReLU）函數(shù)并獲得每一個(gè)年夜小為 64×64 的 16 個(gè)特點(diǎn)圖（我們將其記為 16@64×64）。這個(gè)來自 C1 的輸入然后會被送入下采樣層 S1，其以 2×2 的步幅運(yùn)用 2×2 的最年夜池化（max-pooling）。第二（C2）和第三（C3）個(gè)卷積層分離卷積盤算 32 和 64 個(gè)濾波器，其年夜小為 5×5，應(yīng)用了 1 的步幅。C2 和 C3 的輸入經(jīng)由過程非線性 ReLU 函數(shù)，然后分離被送入下采樣層 S2 和 S3。最初的隱蔽層是帶有 256 個(gè)整流單位的全銜接層。輸入層則是一個(gè)全銜接的線性層，帶有 4 個(gè)單位，每個(gè)單位對應(yīng)一個(gè)正當(dāng)舉措。 圖 3：勝利和不勝利的握手示例 圖 4：在經(jīng)由了一系列的 episode 以后，MDQN 在測試數(shù)據(jù)集上的表示
