本文是ICLR2019入選論文《AD-VAT: An Asymmetric Dueling mechanism for learning Visual Active Tracking》的深入解讀。該論文由北京大學(xué)數(shù)字視頻編解碼技術(shù)國家工程實驗室博士生鐘方威、嚴(yán)汀沄在王亦洲老師和騰訊AI Lab研究員孫鵬、羅文寒的指導(dǎo)下合作完成。該研究也入選了2018騰訊AI Lab犀牛鳥專項研究計劃。

什么是主動視覺跟蹤？

主動視覺跟蹤（Visual Active Tracking）是指智能體根據(jù)視覺觀測信息主動控制相機的移動，從而實現(xiàn)對目標(biāo)物體的跟蹤（與目標(biāo)保持特定距離）。主動視覺跟蹤在很多真實機器人任務(wù)中都有需求，如用無人機跟拍目標(biāo)拍攝視頻，智能跟隨旅行箱等。要實現(xiàn)主動視覺跟蹤，智能體需要執(zhí)行一系列的子任務(wù)，如目標(biāo)識別、定位、運動估計和相機控制等。

然而，傳統(tǒng)的視覺跟蹤方法的研究僅僅專注于從連續(xù)幀中提取出關(guān)于目標(biāo)的2D包圍框，而沒有考慮如何主動控制相機移動。因此，相比于這種“被動”跟蹤，主動視覺跟蹤更有實際應(yīng)用價值，但也帶來了諸多挑戰(zhàn)。

左圖：一個機器人主動跟隨目標(biāo)移動（圖片來自網(wǎng)絡(luò)）

右圖：對比基于強化學(xué)習(xí)的端到端主動跟蹤和傳統(tǒng)的跟蹤方法[1]

深度強化學(xué)習(xí)方法有前景，但仍有局限性

在前期的工作[1][2]中，作者提出了一種用深度強化學(xué)習(xí)訓(xùn)練端到端的網(wǎng)絡(luò)來完成主動視覺跟蹤的方法，不僅節(jié)省了額外人工調(diào)試控制器的精力，而且取得了不錯的效果，甚至能夠直接遷移到簡單的真實場景中工作。

然而，這種基于深度強化學(xué)習(xí)訓(xùn)練的跟蹤器的性能一定程度上仍然受限于訓(xùn)練的方法。因為深度強化學(xué)習(xí)需要通過大量試錯來進(jìn)行學(xué)習(xí)，而直接讓機器人在真實世界中試錯的代價是高昂的。一種常用的解決方案是使用虛擬環(huán)境進(jìn)行訓(xùn)練，但這種方法最大的問題是如何克服虛擬和現(xiàn)實之間的差異，使得模型能夠部署到真實應(yīng)用當(dāng)中。雖然已經(jīng)有一些方法嘗試去解決這個問題，如構(gòu)建大規(guī)模的高逼真虛擬環(huán)境用于視覺導(dǎo)航的訓(xùn)練，將各個因素（表面紋理/光照條件等）隨機化擴增環(huán)境的多樣性。

對于主動視覺跟蹤的訓(xùn)練問題，不僅僅前背景物體外觀的多樣性，目標(biāo)運動軌跡的復(fù)雜程度也將直接影響跟蹤器的泛化能力。可以考慮一種極端的情況：如果訓(xùn)練時目標(biāo)只往前走，那么跟蹤器自然不會學(xué)會適應(yīng)其它的運動軌跡，如急轉(zhuǎn)彎。但對目標(biāo)的動作、軌跡等因素也進(jìn)行精細(xì)建模將會是代價高昂的且無法完全模擬所有真實情況。

讓目標(biāo)與跟蹤器“斗起來”

因此，作者提出了一種基于對抗博弈的強化學(xué)習(xí)框架用于主動視覺跟蹤的訓(xùn)練，稱之為AD-VAT（Asymmetric Dueling mechanism for learning Visual Active Tracking）。

在這個訓(xùn)練機制中，跟蹤器和目標(biāo)物體被視作一對正在“決斗”的對手（見下圖），也就是跟蹤器要盡量跟隨目標(biāo)，而目標(biāo)要想辦法脫離跟蹤。這種競爭機制，使得他們在相互挑戰(zhàn)對方的同時相互促進(jìn)共同提升。

當(dāng)目標(biāo)在探索逃跑策略時，會產(chǎn)生大量多種多樣的運動軌跡，并且這些軌跡往往會是當(dāng)前跟蹤器仍不擅長的。

在這種有對抗性的目標(biāo)的驅(qū)動下，跟蹤器的弱點將更快地暴露隨之進(jìn)行強化學(xué)習(xí)，最終使得其魯棒性得到顯著提升。

在訓(xùn)練過程中，因為跟蹤器和目標(biāo)的能力都是從零開始同步增長的，所以他們在每個訓(xùn)練階段都能夠遇到一個能力相當(dāng)?shù)膶κ峙c之競爭，這就自然得構(gòu)成了從易到難的課程，使得學(xué)習(xí)過程更加高效。

然而，直接構(gòu)造成零和游戲進(jìn)行對抗訓(xùn)練是十分不穩(wěn)定且難以收斂的。

AD-VAT概覽

如何讓對抗更加高效且穩(wěn)定？

為解決訓(xùn)練的問題，作者提出了兩個改進(jìn)方法：不完全零和的獎賞函數(shù)（partial zero-sum reward）和用于目標(biāo)的跟蹤可知模型（tracker-aware model）。

不完全零和獎賞是一種混合的獎賞結(jié)構(gòu)，僅鼓勵跟蹤器和目標(biāo)在一定相對范圍內(nèi)進(jìn)行零和博弈，當(dāng)目標(biāo)到達(dá)一定距離外時給予其額外的懲罰，此時將不再是零和博弈，因此稱之為不完全零和獎賞。

這么設(shè)計獎賞函數(shù)是為了避免一個現(xiàn)象，當(dāng)目標(biāo)快速遠(yuǎn)離跟蹤器時，跟蹤器將不能觀察到目標(biāo)，以至于訓(xùn)練過程變得低效甚至不穩(wěn)定。

上式為跟蹤器的獎賞函數(shù)，沿用了[1]中的設(shè)計思想，懲罰項由期望位置與目標(biāo)之間的距離所決定。

上式為目標(biāo)的獎賞函數(shù)，在觀測范圍內(nèi)，目標(biāo)與跟蹤器進(jìn)行零和博弈，即獎賞函數(shù)為跟蹤器的獎賞直接取負(fù)。在觀測范圍外，將在原來的基礎(chǔ)上得到一個額外的懲罰項，懲罰項的取值取決于目標(biāo)與跟蹤器的觀測邊界的距離。

跟蹤可知模型是為了讓目標(biāo)能夠針對跟蹤策略學(xué)會更優(yōu)的對抗策略，所謂“知己知彼，百戰(zhàn)不殆”。具體的，除了其自身的視覺觀測外，還額外獲得了跟蹤器的觀測和動作輸出作為模型的輸入。

為了更好地學(xué)習(xí)關(guān)于跟蹤器的特征表示，作者還引入了一個輔助任務(wù)：預(yù)測跟蹤器的即時獎賞值。

基于以上改進(jìn)，“決斗（Dueling）”雙方在觀測信息、獎賞函數(shù)、目標(biāo)任務(wù)上將具備不對稱性（Asymmetric），因此將這種對抗機制稱之為“非對稱決斗（Asymmetric Dueling）”。

實驗環(huán)境

作者在多種不同的2D和3D環(huán)境開展了實驗以更進(jìn)一步驗證該方法的有效性。2D環(huán)境是一個簡單的矩陣地圖，用不同的數(shù)值分別表示障礙物、目標(biāo)、跟蹤器等元素。

作者設(shè)計了兩種規(guī)則生成地圖中的障礙物分布（Block, Maze）。作者設(shè)計了兩種基于規(guī)則的目標(biāo)運動模型作為基準(zhǔn)：漫步者（Rambler）和導(dǎo)航者（Navigator）。

漫步者是隨機從選擇動作和持續(xù)的時間，生成的軌跡往往在一個局域范圍內(nèi)移動（見Block-Ram中的黃色軌跡）。

導(dǎo)航者則是從地圖中隨機采樣目標(biāo)點，然后沿著最短路徑到達(dá)目標(biāo)，因此導(dǎo)航者將探索更大范圍（見Block-Nav中的黃色軌跡）。

將這些不同種的地圖和目標(biāo)依次組合，構(gòu)成了不同的訓(xùn)練和測試環(huán)境。作者只用其中的一種地圖（Block）用作訓(xùn)練，然后在所有可能的組合環(huán)境中測試，從而證明模型的泛化能力。

3D環(huán)境是基于UE4和UnrealCV[3]構(gòu)建的虛擬環(huán)境。作者只用一個采取域隨機技術(shù)（環(huán)境中物體表面紋理、光照條件都可以進(jìn)行隨機設(shè)置）的房間（DR Room, Domain Randomized Room）進(jìn)行訓(xùn)練，然后在三個不同場景的近真實場景中測試模型的性能。

實驗結(jié)果

在2D環(huán)境中，作者首先驗證了AD-VAT相比基準(zhǔn)方法能夠帶來有效提升，同時進(jìn)行了消融實驗來證明兩個改進(jìn)方法的有效性。

左圖為AD-VAT（藍(lán)線）和基準(zhǔn)方法在2D環(huán)境中的訓(xùn)練曲線，可見AD-VAT能夠讓跟蹤器學(xué)得更快更好。右圖為消融實驗的結(jié)果，對比刪減不同模塊后的學(xué)習(xí)曲線，作者提出的兩個改進(jìn)方法能夠使對抗強化學(xué)習(xí)的訓(xùn)練更高效。

作者在3D環(huán)境中的實驗更進(jìn)一步證明該方法的有效性和實用性。

在訓(xùn)練過程中，作者觀測到了一個有趣的現(xiàn)象，目標(biāo)會更傾向于跑到背景與其自身紋理接近的區(qū)域，以達(dá)到一種“隱身”的效果來迷惑跟蹤器。而跟蹤器在被不斷“難倒”后，最終學(xué)會了適應(yīng)這些情況。

作者對比了由AD-VAT和兩種基準(zhǔn)方法訓(xùn)練的跟蹤器在不同場景中的平均累計獎賞（左圖）和平均跟蹤長度（右圖）。

其中，雪鄉(xiāng)（Snow Village）和地下停車場（Parking Lot）是兩個十分有挑戰(zhàn)性的環(huán)境，每個模型的性能都有不同程度的下降，但該論文提出的模型取得了更好的結(jié)果，說明了AD-VAT跟蹤器對復(fù)雜場景的適應(yīng)能力更強。

雪鄉(xiāng)主要的挑戰(zhàn)在于地面崎嶇不平，且相機會被下落的雪花、逆光的光暈等因素干擾導(dǎo)致目標(biāo)被遮擋：

左圖為跟蹤器第一人稱視角，右圖為第三人稱視角

停車場中光線分布不均勻（亮暗變化劇烈），且目標(biāo)可能被立柱遮擋：

左圖為跟蹤器第一人稱視角，右圖為第三人稱視角