ManiWAV：通过野外的音频-视频数据学习机器人操作

24年6月来自斯坦福大学、哥伦比亚大学和 TRI 的论文“ManiWAV: Learning Robot Manipulation from In-the-Wild Audio-Visual Data”。

音频信号通过接触为机器人交互和物体属性提供丰富的信息。这些信息可以简化接触丰富的机器人操作技能学习，尤其是当视觉信息本身含糊不清或不完整时。然而，机器人操作中音频数据的使用，仅限于通过将麦克风连接到机器人或物体上来收集的遥控演示，这大大限制其在机器人学习流水线中的使用。这项工作引入 ManiWAV，一种“耳在手”数据收集设备，用于收集具有同步音频和视觉反馈的野外环境人类演示，以及相应的策略界面，可直接从演示中学习机器人操作策略。四个接触丰富的操作任务，可展示系统的功能，这些任务需要被动感知接触事件和模式，或主动感知物体表面材料和状态。此外，系统可以通过从各种野外人类演示中学习，推广到未见过的野外环境。

在机器人操作任务期间，音频反馈可以揭示有关交互和目标属性的几个关键信息，包括：
• 接触事件和模式：从擦拭表面到用刮刀翻转物体，音频反馈可捕获显着且独特的信号，可用于检测接触事件和表征接触模式（如图 a、b）。
• 表面材料：音频信号可用于通过与物体的接触来表征表面材料。相比之下，图像传感器或基于视觉的触觉传感器都需要高空间分辨率来捕捉细微的纹理差异，例如魔术贴的“钩”和“环”面（图 c）。
• 物体状态和属性：通过间接接触，音频信号可以提供超出视觉观察之外的物体状态和物理属性的补充信息（图 d）。

鉴于音频数据的丰富性和可扩展性，本文提出一种多功能机器人学习系统 ManiWAV，该系统利用音频反馈来完成接触式机器人操作任务：
在硬件方面，提出一种便携式手持设备，用于野外数据收集。如下图（a）所示，引入一种“耳在手”设计，使人类能够通过同步视觉和音频反馈轻松演示各种操作任务。手持式夹持器在数据收集过程中还会自然地提供触觉反馈（例如在白板上擦拭时），这是遥操作难以获得的。为了以更高信噪比捕获接触式音频信号，选择使用顶部附有纹理高抓地力（high-grip）表面的压电（piezoelectric）接触式麦克风。

在算法方面，一个关键挑战是弥合由于测试时噪声导致的野外数据和实际机器人部署之间的音频域差距，如下图（b）所示。为了实现这一目标，提出一种数据增强策略，鼓励学习与任务相关的音频表示。此外，提出一个端到端的感觉运动学习网络来编码和融合视觉和音频信息，并利用扩散头进行动作预测。这种网络设计有助于从多模态人类演示中学习更好的视觉-听觉表示。

本文提出一个数据收集和策略学习框架，用于从视觉和音频中学习接触丰富的操作任务。在数据收集方面，目标是轻松收集具有清晰和显着接触信号的野外演示。为了实现这一目标，提出一种“耳在手”数据收集设备，使用 GoPro 相机和接触式麦克风收集同步的视觉和音频数据。

在算法方面，一个关键挑战是弥合收集的演示与机器人部署期间反馈之间的音频域差距，如图 (b) 所示。另一个挑战是学习一个可以有效指导下游策略的强大且与任务相关的视听表示。为了应对这些挑战，提出一种数据增强策略来弥合音频的域差距，并提出一个基于 Transformer 的模型，该模型从具有视觉和音频反馈的人类演示中学习。最终学习的策略部署在机器人上，如上图（c）所示。

耳-在-手的硬件设计

数据收集设备建立在通用操作接口 (UMI) [34] 之上。UMI 是一种便携式低成本手持抓手，旨在收集野外丰富的人类演示。收集的数据可用于训练，可直接部署在机器人上的视觉运动策略。

重新设计设备上的 3D 打印平行钳口夹持器，在缠绕手指的高摩擦力握带下嵌入压电接触式麦克风。麦克风连接到 GoPro 相机媒体模块上的 3.5 毫米外部麦克风端口。上图 (a) 显示手持式夹持器设计。音频以 48000 Hz 录制，并与 60Hz 图像数据同步存储为 MP4 文件。在机器人部署期间，带有嵌入式麦克风的相同平行钳口夹持器安装在 UR5 机器人手臂上，如上图 © 所示。图像和音频通过 Elgato HD60 X 外部捕获卡实时传输到 Ubuntu 22.04.3 桌面。

策略设计

本文提出一种端到端闭环感觉运动学习模型，该模型接收 RGB 图像和音频，并输出 10-DoF 机器人动作（末端执行器位置、末端执行器方向以 6D [35] 表示，以及 1D 夹持器张开度）。

音频数据增强。一个关键挑战是，实时机器人部署期间接收的音频信号，与手持夹持器收集的数据非常不同，导致训练和测试场景之间存在很大的域差距，如上图 (b) 所示。这主要是因为 1) 部署期间的非线性机器人电机信号，2) 机器人交互产生的分布不均匀声音（例如意外与物体相撞）。

为了解决域差距，关键是用噪声来增强训练数据，并引导模型关注具有不变性的任务相关信号，并忽略不可预测的噪声。特别是，从 ESC-50 [36] 中随机采样音频作为背景噪声。声音被归一化为与训练数据集中收集的声音相同的比例。还在随机采样的轨迹下记录 10 个机器人马达噪音样本，接触式麦克风的位置与部署时间相同。背景噪音和机器人噪音叠加到原始音频信号上，每个概率为 0.5。在实验中，这种简单而有效的方法，通过在任务相关的音频信号上强制模型的归纳偏差来产生更好的策略性能。

视觉编码器。用一个 CLIP 预训练的 ViT-B/16 模型 [37] 对 RGB 图像进行编码。图像被调整为 224x224 分辨率，并进行随机裁剪和颜色抖动增强。图像以 20 Hz 采样，在过去 2 个时间步内拍摄图像。每个图像使用分类 token 特征单独编码。

音频编码器。用音频频谱图 Transformer (AST) [38] 对音频输入进行编码。AST 与 ViT 模型类似，利用注意机制从频谱图块中学习更好的音频表示。使用 Transformer 编码器而不是基于 CNN 编码器背后的直觉（如先前的研究 [26、28、25] 中所见），是 CNN 利用的“漂移不变性”不太适合音频频谱图，因为时间和频域中的移位都会显着改变信息。在实验中，从头开始训练 Transformer 编码器的表现，优于预训练和从头开始的 CNN 模型。

如图所示音频的注意可视化：

首先将音频信号（根据任务不同，从最后 2-3 秒开始）从 48kHz 重新采样为 16kHz，然后使用 FFT 大小和 400 的窗口长度、160 的跳跃长度和 64 个梅尔滤波器组将其转换为对数梅尔频谱图。对数梅尔频谱图，线性归一化到范围 [-1,1]。用从 AST 编码器的最后一个隐藏层提取的分类 token 特征。

感官融合。用与 Li [28] 类似的Transformer编码器融合视觉和音频特征，以利用注意机制在任务的不同阶段自适应地加权特征（例如，视觉对于移动到目标物体很重要，而音频在接触期间很重要）。连接输出特征并使用线性投影层将维度下采样到 768。最后，将过去 2 个时间步的末端执行器姿势 (20 Hz) 连接到视听特征。

策略学习。为了对人类演示固有的多模态性进行建模，选择使用 Chi [39] 提出的 UNet 编码器扩散模型。 作为策略头，以每个去噪步骤中上述的观察表示为条件。整个模型（如图所示），包括上述编码器，都是使用噪声预测 MSE 损失对 16 步的未来机器人轨迹进行端到端训练的。

音频延迟匹配。在数据收集过程中，视觉和音频数据通过 GoPro 进行录制时同步。在部署过程中，将音频延迟校准为 0.23；采用类似于 Chi [34] 的方法来补偿这种延迟。

研究四个接触丰富的操作任务，以展示音频反馈的不同功能，例如检测接触事件和模式（翻转和擦拭）、感知物体状态（倾倒）和表面材料（胶带）。在每个任务中，在不同的场景下测试策略，并与替代方法进行比较，以验证方法的稳健性和通用性。

如图所示：翻转评估例子

如图所示：擦拭的评估例子

如图所示：倾倒的评估例子

如图所示：胶带粘贴的评估例子