獎勵工程長期以來一直是強化學習研究中的挑戰，因為它通常需要大量人力投入。在本文中，研究人員提出了RL-VLM-F，它可以自動生成代理學習新任務的獎勵函數，僅利用任務目標的文本描述和代理的視覺觀察，通過利用視覺語言基礎模型（VLMs）的反饋。該方法的關鍵在于查詢這些模型，根據任務目標的文本描述對代理的圖像觀察對進行偏好，并從偏好標簽中學習獎勵函數。RL-VLM-F成功地在各種領域中產生了有效的獎勵和策略，包括經典控制，以及剛性、關節和可變形物體的操作，而無需人工監督，在相同假設下優于使用大型預訓練模型進行獎勵生成的先前方法。

RL-VLM-F組件

RL-VLM-F自動為代理生成獎勵函數，以學習新任務，僅利用任務目標的文本描述和代理的視覺觀察，通過利用視覺語言基礎模型（VLMs）的反饋。該方法的關鍵在于查詢這些模型，根據任務目標的文本描述對代理的圖像觀察對進行偏好，并從偏好標簽中學習獎勵函數。研究人員使用基于偏好的強化學習同時學習策略和獎勵函數。

RL-VLM-F查詢設計

RL-VLM-F兩階段查詢：首先，查詢VLM以生成自由形式的響應，比較兩個圖像分別完成任務的效果。接下來，使用第一階段的文本響應提示VLM，以提取對兩個圖像的偏好標簽。研究人員對所有任務使用相同的查詢模板，將任務描述替換為特定任務的目標描述。

RL-VLM-F：提示和策略

下面展示了該方法和基線在七項任務上的策略執行，包括剛性、關節和可變形物體的操作。對于每個任務，展示了任務目標的簡短文本描述，與下面的模板提示結合起來，形成用于查詢VLM偏好的完整提示。

• 折疊布料對角線

任務描述：“將布料從左上角對角線對折到右下角”

• 拉直繩子

任務描述：“拉直藍色繩子”

• 不溢水地傳遞水

任務描述：“將裝水的容器移動到距離紅色圓圈盡可能近的地方，而不會導致太多水滴溢出”

• 將足球移入球門

任務描述：“將足球移入球門”

• 打開抽屜

任務描述：“打開抽屜”

• 將方塊掃入洞中

任務描述：“使綠色方塊與洞之間的距離最小化”

• CartPole

任務描述：“在黑色小車上平衡棕色桿，使其直立”

實驗和結果

研究人員對RL-VLM-F在各種任務上進行了全面評估，包括經典控制，以及剛性、關節和可變形物體的操作，無需人工監督，在相同假設下優于使用大型預訓練模型進行獎勵生成的先前方法。

與基線方法的比較

如所有對比方法在7項任務上的學習曲線所示，RL-VLM-F在所有任務上均優于所有基線，并且在7項任務中的6項任務上與地面真實偏好的表現相匹配或超越。

VLM偏好標簽的準確性

研究人員提供了與環境獎勵函數定義的地面真實偏好標簽相比，VLM偏好標簽準確性的分析。x軸表示圖像對之間的不同水平，離散為10個區間，其中差異是指與圖像對關聯的地面真實任務進展之間的差異。y軸顯示了VLM偏好標簽正確、不正確或無法對圖像對進行偏好的比例。像人類一樣，當兩個圖像在實現目標方面有明顯不同時，VLM更擅長評估兩個圖像，并且當兩個圖像非常相似時，其表現較差。

學習獎勵與地面真實任務進展的一致性

研究人員比較了RL-VLM-F學習的獎勵與地面真實任務進展在3個MetaWorld任務上的一致性。如所示，RL-VLM-F生成的獎勵與地面真實任務進展更一致。學習的獎勵是通過3個具有不同種子的訓練獎勵模型進行平均的，陰影區域表示標準誤差。

譯自（有刪改）：https://rlvlmf2024.github.io

本文轉載自公眾號AIGC最前線   

原文鏈接：??https://mp.weixin.qq.com/s/tPUIxt3Msrra5kiLB_dftg??