基于互聯(lián)網(wǎng)數(shù)據(jù)訓(xùn)練的生成模型徹底改變了文本、圖像和視頻內(nèi)容的創(chuàng)建方式。有研究者預(yù)測，也許生成模型的下一個里程碑是能夠模擬人類體驗(yàn)世界的方方面面，比如在公路上如何駕駛汽車，又比如如何準(zhǔn)備飯菜。

現(xiàn)如今，借助非常全面的真實(shí)世界模擬器（real-world simulator），人類可以與不同場景和物體進(jìn)行交互，機(jī)器人也可以從模擬經(jīng)驗(yàn)中進(jìn)行學(xué)習(xí)，從而避免出現(xiàn)物理損壞的風(fēng)險。

然而，構(gòu)建這樣一個真實(shí)世界模擬器的主要障礙之一在于可用的數(shù)據(jù)集。雖然互聯(lián)網(wǎng)上有數(shù)十億的文本、圖像和視頻片段，但不同的數(shù)據(jù)集涵蓋不同的信息軸，必須將這些數(shù)據(jù)集中在一起才能模擬出對世界的真實(shí)體驗(yàn)。例如，成對的文本圖像數(shù)據(jù)包含豐富的場景和對象，但很少有動作，視頻字幕和問答數(shù)據(jù)包含豐富的高級活動描述，但很少有低級運(yùn)動細(xì)節(jié)， 人類活動數(shù)據(jù)包含豐富的人類動作但很少有機(jī)械運(yùn)動，而機(jī)器人數(shù)據(jù)包含豐富的機(jī)器人動作但數(shù)量有限。 

以上列舉的信息差異是自然的且難以克服，這給構(gòu)建一個旨在捕捉現(xiàn)實(shí)世界真實(shí)體驗(yàn)的真實(shí)世界模擬器帶來了困難。

本文中，來自 UC 伯克利、Google DeepMind、MIT 等機(jī)構(gòu)的研究者探索了通過生成模型學(xué)習(xí)真實(shí)世界交互的通用模擬器 UniSim，邁出了構(gòu)建通用模擬器的第一步。例如 UniSim 可以通過模擬「打開抽屜」等高級指令和低級指令的視覺結(jié)果來模擬人類和智能體如何與世界交互。

• 論文地址：https://arxiv.org/pdf/2310.06114.pdf
• 論文主頁：https://universal-simulator.github.io/unisim/

本文將大量數(shù)據(jù)（包括互聯(lián)網(wǎng)文本 - 圖像對，來自導(dǎo)航、人類活動、機(jī)器人動作等的豐富數(shù)據(jù)，以及來自模擬和渲染的數(shù)據(jù)）結(jié)合到一個條件視頻生成框架中。然后通過仔細(xì)編排沿不同軸的豐富數(shù)據(jù)，本文表明 UniSim 可以成功地合并不同軸數(shù)據(jù)的經(jīng)驗(yàn)并泛化到數(shù)據(jù)之外，通過對靜態(tài)場景和對象的細(xì)粒度運(yùn)動控制來實(shí)現(xiàn)豐富的交互。

下面視頻演示了 UniSim 如何模擬具有長交互視界的示例，視頻顯示 UniSim 一口氣模擬了機(jī)器人八個動作指令：

UniSim 對人類動作的模擬：

UniSim 對 RL 策略的模擬部署如下所示：

對于這項(xiàng)研究，Meta 首席 AI 科學(xué)家 Yann LeCun、英偉達(dá)高級研究科學(xué)家 Jim Fan 等業(yè)界人士進(jìn)行了轉(zhuǎn)發(fā)。LeCun 給出一個「Cool」字的評價。

Jim Fan 表示，這項(xiàng)工作非常有趣，視頻擴(kuò)散模型被用作了數(shù)據(jù)驅(qū)動物理模擬，其中智能體可以規(guī)劃、探索和學(xué)習(xí)最優(yōu)行動，并且無需接觸機(jī)器人硬件也不會造成損害?？梢哉f LLM 不僅是一個 OS，還化身為完整的現(xiàn)實(shí)模擬器。

論文一作、UC 伯克利博士生 Sherry Yang 表示，「學(xué)習(xí)現(xiàn)實(shí)世界模型正在成為現(xiàn)實(shí)」。

模擬現(xiàn)實(shí)世界的交互

如下圖 3 所示，UniSim 能夠模擬一系列豐富動作，例如廚房場景中洗手、拿碗、切胡蘿卜、擦干手這一系列動作；圖 3 右上是按下不同的開關(guān)；圖 3 下是兩個導(dǎo)航場景。

對應(yīng)上圖 3 右下的導(dǎo)航場景

對應(yīng)上圖3右下的導(dǎo)航場景

在長程模擬方面，下圖 4 是一個 UniSim 自回歸地順序模擬 8 個交互的例子：

除了支持豐富動作和長程交互，UniSim 還支持高度多樣化和隨機(jī)的環(huán)境變換，例如移除頂部毛巾后顯示的對象具有多樣性（下圖 5 左）。

UniSim 在真實(shí)世界遷移的結(jié)果。UniSim 的真正價值在于模擬現(xiàn)實(shí)世界，圖 7 顯示了 VLM 生成的語言規(guī)劃，UniSim 根據(jù)語言規(guī)劃生成的視頻，以及在真實(shí)機(jī)器人上的執(zhí)行情況。

除了測試 UniSim 在真實(shí)世界的遷移能力之外，本文還進(jìn)行了基于模擬器的評估，結(jié)果如表 2 所示：

用于強(qiáng)化學(xué)習(xí)的真實(shí)世界模擬器

實(shí)驗(yàn)還評估了 UniSim 在模擬真實(shí)機(jī)器人執(zhí)行各種動作方面的質(zhì)量如何，機(jī)器人通過重復(fù)執(zhí)行低級控制操作約 20-30 個步驟來左、右、下、上移動端點(diǎn) 。表 3 顯示，RL 訓(xùn)練顯著提高了 VLA 策略在各種任務(wù)中的性能，尤其是在指向藍(lán)色塊等任務(wù)中。然后，本文直接將在 UniSim 中訓(xùn)練的 RL 策略零樣本部署到真實(shí)機(jī)器人上，如圖 8（底行）所示。