本文系网易新闻•网易号特色内容激励计划签约账号【量子位】原创内容，未经账号授权，禁止随意转载。
杨净 发自 凹非寺
量子位 | 公众号 QbitAI

人类的预测能力+ViT，会产生什么样的化学反应？

会让机器人的行动规划能力又快又准。

这是李飞飞团队的最新研究——MaskViT，通过MVM，掩码视觉建模对Transformer进行预训练，从而建立视频预测模型。

结果显示，MaskViT不仅能生成256*256视频，还可以让机器人行动规划的推理速度最高提高了512倍。

来看看这是项什么样的研究？

从人类身上找灵感

神经科学领域的研究表明，人类的认知、感知能力是有一种预测机制来支持的。

这种对世界的预测模型，可以用来模拟、评估和选择不同的可能行动。

对人类来说，这一过程是快速和准确的。

如果能赋予机器人类似的预测能力。那么他们就可以在复杂的动态环境中快速规划、执行各类任务。

比如，通过视觉模型来预测控制，也许就是一种方式，但也对算力和准确性提出了更高的要求。

于是，李飞飞团队就想到了最近诸多进展的ViT架构，以及以何恺明MAE为代表的基于MVM，Masked Visual Modeling这一自监督预训练表征。

但具体要操作起来，仍有不少的技术挑战。

一方面，全局注意力机制的复杂度与输入序列长度的平方呈正比，导致视频处理成本过高。

另一方面，视频预测任务和自回归掩码视觉预训练之间存在不一致。实际测试时，模型必须从头预测完整的未来帧序列，导致视频预测质量不好。

基于这样的背景，李飞飞团队提出了MaskViT——通过掩码视觉建模对Transformer进行预训练，从而建立视频预测模型。

具体有两种设计决策。

首先，为了提高记忆和训练效率，使用了两种类型的窗口注意力：空间注意力和时空注意力。

其次，训练过程中掩码的token比例是可变的。

在推理阶段，视频是通过迭代细化生成的，其中按照掩码调度函数逐步降低掩码率。

实验结果

研究团队在三个不同数据集，以及四个不同指标来评估了MaskViT。

结果显示，跟以往先进的方法比较，MaskViT都表现出了更好的性能，可生成分辨率达256 × 256的视频。

还在BAIR进行了消融实验。

随后，团队还展示了真实机器人使用MaskViT进行实时规划的效果。

推理速度最高可提升512倍。

研究人员表示，本次工作表明，可以通过最小的领域知识，利用掩码视觉建模的一般框架，赋予像智能体强大的预测模型。

但同时表示，也具有一定的局限性。

比如在每帧量化时会出现闪烁伪影，尤其是在RoboNet这种有静态背景的视频中。

还有如果要扩大视频预测的规模，也仍然具有挑战性，特别是那种有大量摄像机运动的场景。

未来，他们将探索把这一视频预测方法整合到更复杂的规划算法中。

值得一提的是，在今年5月，何恺明团队曾提出过视频版MAE，并发现最佳掩蔽率高达 90%。

论文链接：
https://arxiv.org/abs/2206.11894
项目链接：
https://maskedvit.github.io/
何恺明论文：
https://arxiv.org/abs/2205.09113