斯坦福人形机器人HumanPlus的代码解读与复现关键：从HST到HIT、HardWare

v_JULY_v

已于 2024-06-22 23:38:57 修改

阅读量1.9k

点赞数 27

分类专栏：大模型机器人系列(具身智能/人形机器人) 文章标签：斯坦福人形机器人 HumanPlus HST HIT 模仿学习影子学习技术

于 2024-06-19 10:40:58 首次发布

本文链接：https://blog.csdn.net/v_JULY_v/article/details/139795641

版权

大模型机器人系列(具身智能/人形机器人) 专栏收录该内容

14 篇文章 104 订阅

订阅专栏

前言

本文一开始是属于此文的第四部分，但为避免原文篇幅过长，故把该部分抽取出来独立成文

过程中解读斯坦福人形机器人humanplus的代码时，还是充满乐趣的，比如又遇到了熟悉的ppo，想到

去年上半年啃了半年的ChatGPT原理没有白啃
去年下半年带队做大模型应用，直接促成我司「七月在线」从教育公司往科技公司的转型
今年上半年则是具身智能

也算是可谓三者合一、步步为赢了

大模型时代，技术更迭速度超过以往任何时期，而个人认为机器人(具身智能)将是未来几年最大的趋势，包括我司机器人线下营曾一天连报5人(开营后，将邀请一波人加入我司机器人开发队伍)，期待与更多有缘人共同开发机器人以服务更多工厂

对于humanplus的整个代码框架，总计包含以下五个部分

Humanoid Shadowing Transformer (HST)
这个部分的代码是基于仿真的强化学习实现，使用了legged_gym和rsl_rl
需要先安装IsaacGym v4，并将isaacgym文件夹放置在HST文件夹中
提供了训练HST的示例命令，以及如何使用训练好的策略
Humanoid Imitation Transformer (HIT)
这部分代码用于现实世界中的模仿学习，基于ACT repo和Mobile ALOHA repo
提供了安装指南，包括创建conda环境和安装所需的Python库
Pose Estimation
身体姿态估计使用WHAM，手部姿态估计使用HaMeR
Hardware Codebase
硬件代码基于unitree_ros2，适用于与真实机器人的交互
提供了安装指南，包括创建conda环境、安装unitree_sdk和unitree_ros2
Example Usages
提供了训练HST和HIT的具体命令示例。
对于硬件代码，提供了如何放置训练好的策略文件以及如何运行硬件脚本的示例

第一部分 low-level控制策略Humanoid Shadowing Transformer(HST)

为了对整个humanplus的代码做更好的解读，先把整体的代码结构梳理一下(如下4张图所示，总计4个部分，前3个部分都是HST相关，第4个部分则是HIT相关)

1.1 HST/rsl_rl/rsl_rl

在humanplus/HST/rsl_rl/rsl_rl文件夹里有以下分文件夹

1.1.1 HST/rsl_rl/rsl_rl/algorithms/ppo.py

其中，algorithms文件夹里有两个文件：__init__.py、ppo.py

接下来，咱们重点看下HST/rsl_rl/rsl_rl/algorithms/ppo.py

首先是一些类的导入、与PPO类的定义

import torch  # 导入 PyTorch 库
import torch.nn as nn  # 导入 PyTorch 神经网络模块
import torch.optim as optim  # 导入 PyTorch 优化模块

from rsl_rl.modules import ActorCriticTransformer  # 从 rsl_rl.modules 导入 ActorCriticTransformer 类
from rsl_rl.storage import RolloutStorage  # 从 rsl_rl.storage 导入 RolloutStorage 类

class PPO:  # 定义 PPO 类
    actor_critic: ActorCriticTransformer  # 定义 actor_critic 变量类型为 ActorCriticTransformer
    def __init__(self,          # 定义 PPO 类的初始化函数
                 actor_critic,  # 定义 actor_critic 参数
                 num_learning_epochs=1,      # 定义 num_learning_epochs 参数，默认值为1
                 num_mini_batches=1,         # 定义 num_mini_batches 参数，默认值为1
                 clip_param=0.2,             # 定义 clip_param 参数，默认值为0.2
                 gamma=0.998,                # 定义 gamma 参数，默认值为0.998
                 lam=0.95,                   # 定义 lam 参数，默认值为0.95
                 value_loss_coef=1.0,        # 定义 value_loss_coef 参数，默认值为1.0
                 entropy_coef=0.0,           # 定义 entropy_coef 参数，默认值为0.0
                 learning_rate=1e-3,         # 定义 learning_rate 参数，默认值为1e-3
                 max_grad_norm=1.0,          # 定义 max_grad_norm 参数，默认值为1.0
                 use_clipped_value_loss=True,   # 定义 use_clipped_value_loss 参数，默认值为 True
                 schedule="fixed",              # 定义 schedule 参数，默认值为 "fixed"
                 desired_kl=0.01,            # 定义 desired_kl 参数，默认值为 0.01
                 device='cpu',               # 定义 device 参数，默认值为 'cpu'
                 ):

        self.device = device              # 初始化 self.device 为传入的 device 参数

        self.desired_kl = desired_kl      # 初始化 self.desired_kl 为传入的 desired_kl 参数
        self.schedule = schedule          # 初始化 self.schedule 为传入的 schedule 参数
        self.learning_rate = learning_rate  # 初始化 self.learning_rate 为传入的 learning_rate 参数

        # PPO components
        # 最上面PPO类里一系列参数的self初始化

        # PPO parameters
        # 最上面PPO类里一系列参数的self初始化

//..

待补充


    def init_storage(self, num_envs, num_transitions_per_env, actor_obs_shape, critic_obs_shape, action_shape):
        # 初始化存储
        self.storage = RolloutStorage(num_envs, num_transitions_per_env, actor_obs_shape, critic_obs_shape, action_shape, self.device)

    def test_mode(self):  # 定义测试模式函数
        self.actor_critic.test()       # 设置 actor_critic 为测试模式
    
    def train_mode(self):  # 定义训练模式函数
        self.actor_critic.train()      # 设置 actor_critic 为训练模式

    def act(self, obs, critic_obs):          # 定义 act 函数
        if self.actor_critic.is_recurrent:   # 如果 actor_critic 是循环的
            self.transition.hidden_states = self.actor_critic.get_hidden_states()  # 获取隐藏状态

        # Compute the actions and values
        # 计算动作和值
        self.transition.actions = self.actor_critic.act(obs).detach()     # 获取动作
        self.transition.values = self.actor_critic.evaluate(critic_obs).detach()  # 获取值
        self.transition.actions_log_prob = self.actor_critic.get_actions_log_prob(self.transition.actions).detach()  # 获取动作的对数概率
        self.transition.action_mean = self.actor_critic.action_mean.detach()  # 获取动作均值
        self.transition.action_sigma = self.actor_critic.action_std.detach()  # 获取动作标准差

        # need to record obs and critic_obs before env.step()
        # 在环境步之前需要记录 obs 和 critic_obs
        self.transition.observations = obs                    # 记录观察
        self.transition.critic_observations = critic_obs      # 记录评论员观察
        return self.transition.actions          # 返回动作

//..

待补充


    def process_env_step(self, rewards, dones, infos):  # 定义处理环境步函数
        self.transition.rewards = rewards.clone()       # 克隆奖励
        self.transition.dones = dones          # 记录完成状态
        # Bootstrapping on time outs
        # 对超时进行引导
        if 'time_outs' in infos:               # 如果信息中有 'time_outs'
            self.transition.rewards += self.gamma * torch.squeeze(self.transition.values * infos['time_outs'].unsqueeze(1).to(self.device), 1)  # 更新奖励

        # Record the transition
        # 记录过渡
        self.storage.add_transitions(self.transition)  # 添加过渡到存储中
        self.transition.clear()              # 清除过渡数据
        self.actor_critic.reset(dones)       # 重置 actor_critic
    
    def compute_returns(self, last_critic_obs):        # 定义计算回报函数
        last_values = self.actor_critic.evaluate(last_critic_obs).detach()  # 计算最后的值
        self.storage.compute_returns(last_values, self.gamma, self.lam)     # 计算回报

//..

接下来重点分析下，这个update函数

首先，它根据模型是否是循环的来选择不同的mini-batch生成器。然后，它遍历生成器产生的每个mini-batch，对每个batch进行一系列的操作
在每个mini-batch中，首先使用[`actor_critic`]模型对观察值进行行动，并获取行动的对数概率，评估价值，以及行动的均值和标准差

    def update(self):              # 定义更新函数
        mean_value_loss = 0        # 初始化平均值损失
        mean_surrogate_loss = 0    # 初始化平均代理损失
        if self.actor_critic.is_recurrent:  # 如果 actor_critic 是循环的
            generator = self.storage.recurrent_mini_batch_generator(self.num_mini_batches, self.num_learning_epochs)                   # 使用循环小批量生成器
        else:  # 否则
            generator = self.storage.mini_batch_generator(self.num_mini_batches, self.num_learning_epochs)          # 使用小批量生成器
        for obs_batch, critic_obs_batch, actions_batch, target_values_batch, advantages_batch, returns_batch, old_actions_log_prob_batch, \
            old_mu_batch, old_sigma_batch, hid_states_batch, masks_batch in generator:  # 迭代生成器中的数据

                # 获取动作概率和价值
                self.actor_critic.act(obs_batch, masks=masks_batch, hidden_states=hid_states_batch[0])                          # 获取动作
                actions_log_prob_batch = self.actor_critic.get_actions_log_prob(actions_batch)       # 获取动作的对数概率
                value_batch = self.actor_critic.evaluate(critic_obs_batch, masks=masks_batch, hidden_states=hid_states_batch[1])           # 获取值
                mu_batch = self.actor_critic.action_mean        # 获取动作均值
                sigma_batch = self.actor_critic.action_std      # 获取动作标准差
                entropy_batch = self.actor_critic.entropy       # 获取熵

如果设置了期望的KL散度并且调度策略为'adaptive'，则计算当前策略和旧策略之间的KL散度，并根据KL散度的大小动态调整学习率

                # KL
                if self.desired_kl != None and self.schedule == 'adaptive':  # 如果期望的 KL 不为 None 且调度为 'adaptive'
                    with torch.inference_mode():  # 使用推理模式
                        kl = torch.sum(
                            torch.log(sigma_batch / old_sigma_batch + 1.e-5) + (torch.square(old_sigma_batch) + torch.square(old_mu_batch - mu_batch)) / (2.0 * torch.square(sigma_batch)) - 0.5, axis=-1)  # 计算 KL 散度
                        kl_mean = torch.mean(kl)  # 计算 KL 散度的均值

                        # 如果 KL 散度均值大于期望的 KL 的两倍
                        if kl_mean > self.desired_kl * 2.0:  
                            self.learning_rate = max(1e-5, self.learning_rate / 1.5)  # 减小学习率
                        # 如果 KL 散度均值小于期望的 KL 的一半且大于 0.0
                        elif kl_mean < self.desired_kl / 2.0 and kl_mean > 0.0:  
                            self.learning_rate = min(1e-2, self.learning_rate * 1.5)  # 增大学习率
                        
                        for param_group in self.optimizer.param_groups:  # 对于优化器中的每个参数组
                            param_group['lr'] = self.learning_rate  # 更新学习率

上述代码是典型的自适应KL惩罚的过程

$J_{\mathrm{PPO}}^{\theta^{\prime}}(\theta)=\mathbb{E}_{\left(s_{t}, a_{t}\right) \sim \pi_{\theta^{\prime}}}\left[\frac{p_{\theta}\left(a_{t} \mid s_{t}\right)}{p_{\theta^{\prime}}\left(a_{t} \mid s_{t}\right)} A^{\theta^{\prime}}\left(s_{t}, a_{t}\right)\right]-\beta \mathrm{KL}\left(\theta, \theta^{\prime}\right)$
上述公式中的 $\beta$ 是怎么取值的呢，事实上， $\beta$ 是可以动态调整的，称之为自适应KL惩罚(adaptive KL penalty)，具体而言

先设一个可以接受的 KL 散度的最大值 $KL_{max}$
假设优化完 $\\J_{\mathrm{PPO}}^{\theta^{\prime}}(\theta)=J^{\theta^{\prime}}(\theta)-\beta \mathrm{KL}\left(\theta, \theta^{\prime}\right)$ 以后，KL 散度值太大导致 $\mathrm{KL}(\theta,\theta')>\mathrm{KL}_{\max}$ ，意味着 $\theta$ 与 $\theta'$ 差距过大(即学习率/步长过大)，也就代表后面惩罚的项 $\beta \mathrm{KL}(\theta ,\theta ')$ 惩罚效果太弱而没有发挥作用，故增大惩罚把 $\beta$ 增大，所以需要减小学习率
再设一个 KL 散度的最小值 $KL_{min}$
如果优化完 $\\J_{\mathrm{PPO}}^{\theta^{\prime}}(\theta)=J^{\theta^{\prime}}(\theta)-\beta \mathrm{KL}\left(\theta, \theta^{\prime}\right)$ 以后，KL散度值比最小值还要小导致 $\mathrm{KL}(\theta,\theta')< {KL}_{\min}$ ，意味着 $\theta$ 与 $\theta'$ 差距过小，也就代表后面这一项 $\beta \mathrm{KL}(\theta ,\theta ')$ 的惩罚效果太强了，我们怕它只优化后一项，使 $\theta$ 与 $\theta'$ 一样，这不是我们想要的，所以减小惩罚即减小 $\beta$ ，所以需要增大学习率

至于详细了解请查看本博客内此文《强化学习极简入门：通俗理解MDP、DP MC TC和Q学习、策略梯度、PPO》的4.4.1 什么是近端策略优化PPO与PPO-penalty

接下来，计算actor损失（surrogate loss），这是PPO算法的核心部分。它首先计算新旧策略的比率，然后计算未裁剪和裁剪的代理损失，并取两者的最大值作为最终的代理损失

                # Surrogate loss
                # 代理损失
                ratio = torch.exp(actions_log_prob_batch - torch.squeeze(old_actions_log_prob_batch))  # 计算比率
                surrogate = -torch.squeeze(advantages_batch) * ratio  # 计算代理损失
                surrogate_clipped = -torch.squeeze(advantages_batch) * torch.clamp(ratio, 1.0 - self.clip_param, 1.0 + self.clip_param)  # 计算剪切后的代理损失
                surrogate_loss = torch.max(surrogate, surrogate_clipped).mean()  # 计算代理损失的均值

其实上面的代码就是对近端策略优化裁剪PPO-clip的直接实现，其对应的公式如下(详细了解请查看本博客内此文《强化学习极简入门：通俗理解MDP、DP MC TC和Q学习、策略梯度、PPO》的第4.4.2节PPO算法的另一个变种：近端策略优化裁剪PPO-clip)

然后，计算价值函数的损失。如果设置了使用裁剪价值损失，那么会计算裁剪的价值损失和未裁剪的价值损失，并取两者的最大值作为最终的价值损失。否则，直接计算未裁剪的价值损失

                # Value function loss
                # 价值函数损失
                if self.use_clipped_value_loss:  
                    value_clipped = target_values_batch + (value_batch - target_values_batch).clamp(-self.clip_param, self.clip_param)     
       
                    value_losses = (value_batch - returns_batch).pow(2)  
                    value_losses_clipped = (value_clipped - returns_batch).pow(2)  

                    value_loss = torch.max(value_losses, value_losses_clipped).mean() 
                else:  
                    value_loss = (returns_batch - value_batch).pow(2).mean()

                loss = surrogate_loss + self.value_loss_coef * value_loss - self.entropy_coef * entropy_batch.mean()

其实就是之前这篇文章《从零实现带RLHF的类ChatGPT：逐行解析微软DeepSpeed Chat的源码》中3.6中AC架构下的PPO训练：在加了β惩罚且截断后的RM之下，通过经验数据不断迭代策略且估计value讲过的
在1个ppo_batch中，critic的损失计算公式为：
裁剪新价值估计 $V_{new}$ ，使其不至于太偏离采集经验时的旧价值估计，使得经验回放仍能有效：

$V_{clip} = clip(V_{new}, V_{old}-\phi, V_{old}+\phi)$

critic将拟合回报R：

$vf\_loss = \frac{1}{2} \cdot E_{\tau \sim \pi_{old}^{RL}} E_{s_t \sim {\tau}} [\max((V_{new}(s_t)-R_t)^2, (V_{clip}(s_t)-R_t)^2)]$

可能有同学疑问上面的代码和我说的这个公式并没有一一对齐呀，为了方便大家一目了然，我们把代码逐行再分析下

对于这行代码
value_clipped = target_values_batch + (value_batch - target_values_batch).clamp(-self.clip_param,self.clip_param)
转换成公式便是
V_clipped = V_old + clip(V_new - V_old, -ε, ε)
它和我上面贴的公式表达的其实是一样的
因为我上面贴的公式要表达的是： $V_{old}-\phi < V_{new} < V_{old}+\phi$ ，那该不等式两边都减去个 $V_{old}$ ，不就意味着 $-\phi < V_{new} - V_{old} < \phi$
而接下来这三行代码
value_losses = (value_batch - returns_batch).pow(2)
value_losses_clipped = (value_clipped - returns_batch).pow(2)
value_loss = torch.max(value_losses, value_losses_clipped).mean()
则表达的就是如下公式
$vf\_loss = \frac{1}{2} \cdot E_{\tau \sim \pi_{old}^{RL}} E_{s_t \sim {\tau}} [\max((V_{new}(s_t)-R_t)^2, (V_{clip}(s_t)-R_t)^2)]$
是不一目了然了..

最后，将代理损失、价值损失和熵损失结合起来，形成最终的损失函数
最后的最后，进行梯度下降，更新模型的参数，并在所有mini-batch更新完成后，计算平均的价值损失和代理损失，并清空存储器


                # Gradient step
                # 梯度步
                self.optimizer.zero_grad()  # 清零梯度
                loss.backward()  # 反向传播
                nn.utils.clip_grad_norm_(self.actor_critic.parameters(), self.max_grad_norm)  # 剪切梯度
                self.optimizer.step()  # 更新优化器

                mean_value_loss += value_loss.item()  # 累加平均值损失
                mean_surrogate_loss += surrogate_loss.item()  # 累加平均代理损失

        num_updates = self.num_learning_epochs * self.num_mini_batches  # 计算更新次数
        mean_value_loss /= num_updates  # 计算平均值损失
        mean_surrogate_loss /= num_updates  # 计算平均代理损失
        self.storage.clear()  # 清除存储

        return mean_value_loss, mean_surrogate_loss  # 返回平均值损失和平均代理损失

//..

第二部分 HIT

// 待更

v_JULY_v

关注

27
点赞
踩
19

收藏

觉得还不错? 一键收藏
打赏
1
评论
斯坦福人形机器人HumanPlus的代码解读与复现关键：从HST到HIT、HardWare

本文一开始是属于此文的第四部分，但为避免原文篇幅过长，故把该部分抽取出来独立成文过程中解读斯坦福人形机器人humanplus的代码时，还是充满乐趣的，比如又遇到了熟悉的ppo，想到也算是可谓三者合一、步步为赢了大模型时代，技术更迭速度超过以往任何，而个人认为机器人(具身智能)将是未来几年最大的趋势，包括我司机器人线下营曾一天连报5人(开营后，将邀请一波人加入我司机器人开发队伍)，愿与有缘人共同开发机器人。
复制链接

扫一扫