ReWiND：语言引导的奖励函数让机器人无需新演示即可学习新任务

论文：ReWiND: Language-Guided Rewards Teach Robot Policies without New Demonstrations

作者：Jiahui Zhang*, Yusen Luo*, Abrar Anwar* 等（* 共同一作）

机构：University of Southern California、Amazon Robotics、KAIST

发布时间：2025年5月（CoRL 2025 Oral）

🔗 arXiv | 项目主页

分类标签：奖励模型 语言条件化 小样本 RL 零演示泛化

---

一句话总结

从少量演示中训练一个基于视频进度预测的语言条件化奖励模型（结合 Video Rewind 数据增强、Open-X 多样化数据和仅首帧位置编码），无需目标任务演示即可通过语言指令引导在线 RL 学习新任务，仿真中 IQM 成功率达 79%（超基线 2×），真实世界双臂机器人 1 小时 RL 后成功率提升 5×。

---

一、问题与动机

1.1 核心困境：每个新任务都需要新的"教师"

当前教机器人做新任务主要有两条路：

• 模仿学习：为每个新任务收集人类演示。效果好，但采集成本极高——想教机器人"关门"和"开门"各需要一批新演示
• 强化学习：设计奖励函数让机器人自己探索。不需要演示，但手工设计奖励函数同样需要大量领域知识和工程量

理想情况是：只用自然语言告诉机器人"请关上这扇门"，它就能自主学会。这要求一个从语言到奖励的映射——一个能理解任意语言指令并给出密集反馈的通用奖励模型。

1.2 现有语言条件化奖励方法的局限

已有方法尝试用预训练模型生成语言条件化奖励，但存在以下问题：

方法类别	代表工作	核心局限
LLM 生成代码奖励	Eureka、Language2Reward	依赖 ground-truth 状态信息，真实世界难以获取
预训练视觉模型	LIV、RoboCLIP	单帧奖励无法捕捉时序进展，泛化能力有限
视频-语言微调	VLC	需要大量演示和失败数据，排序目标不够稳定
VLM 零样本推理	GVL（Gemini）	推理速度慢，无法在线使用

1.3 ReWiND 的核心思路

ReWiND（Rewards Without New Demonstrations）的核心洞察是：一个好的奖励模型需要同时满足三个性质：

• D1 泛化性：能为从未见过的任务提供准确反馈
• D2 策略对齐性：不仅对成功演示，对失败的策略 rollout 也能给出合理奖励
• D3 输入鲁棒性：对同一任务的不同语言表述保持一致

ReWiND 用一组精心设计的选择（数据、架构、增强）来同时满足这三个目标。

---

二、核心方法

ReWiND 分三个阶段：(a) 训练奖励模型，(b) 离线预训练策略，(c) 在线学习新任务。

2.1 奖励模型：基于视频进度的预测

符号约定：

• $o_{1:T}$：长度为 $T$ 的观测帧序列
• $z$：自然语言任务指令
• $R_{\psi }(o_{1:t},z)$：奖励模型，输入前 $t$ 帧和指令，输出第 $t$ 步的奖励值

核心训练目标——进度预测（Progress Prediction）：

给定一个成功演示视频 $o_{1:T}$ 和对应指令 $z$，让奖励模型预测每一帧的归一化进度 $t/T$：

$${\mathcal{L}}_{\text{progress}}(o_{1:T},z,o_{1:T}^{\text{other}})=\sum _{t=1}^T{(R_{\psi }(o_{1:t},z)-\frac{t}{T})}^2+\sum _{t=1}^T{R}_{\psi }(o_{1:t}^{\text{other}},z{)}^2$$

第一项是匹配项：视频与指令对应时，奖励应线性增长到 1。第二项是不匹配项：随机采样一个不相关视频 $o_{1:T}^{\text{other}}$，奖励应为 0。

为什么选择进度预测而非排序目标？ 相比 VLC 等使用的相对排序损失，固定的进度目标 $t/T$ 提供了更稳定的训练信号，并且天然输出 $[0,1]$ 归一化的密集奖励，可直接用于策略训练。

2.2 Video Rewind：自动生成失败轨迹（解决 D2）

这是 ReWiND 最关键的创新之一。

问题：训练数据中只有成功演示。如果奖励模型只见过"进度一直上升"的视频，部署时遇到"进度先升后降"的失败轨迹，它很可能仍然给出高奖励——因为它从未学过"下降"是什么样子。

解决方案——视频倒放（Video Rewind）： 在成功演示视频中随机选一个分割点 $i$，从该点开始倒放 $k$ 帧，模拟"机器人在进展到一半后失败回退"的场景：

$${\mathcal{L}}_{\text{rewind}}(o_{1:T},z)=\sum _{t=1}^i{(R_{\psi }(o_{1:t},z)-\frac{t}{T})}^2+\sum _{t=1}^k{(R_{\psi }([o_{1:i},o_{i-1:i-t}],z)-\frac{i-t}{T})}^2$$

逐项解读：

• 前 $i$ 帧保持正常：进度从 $1/T$ 线性增长到 $i/T$
• 从第 $i$ 帧开始倒放 $k$ 帧：进度从 $i/T$ 下降到 $(i-k)/T$

直觉理解： 考虑一个"拿起杯子"的视频。在机器人刚抓住杯子时倒放几帧，就变成了"差点抓住但又放开了"的失败轨迹。这种方式：

• 零成本生成失败数据（无需额外采集）
• 教会奖励模型识别"进度下降"并给出递减奖励
• 适用于任意已有演示数据集（包括 Open-X）

2.3 多样化数据与语言增强（解决 D1 和 D3）

Open-X 数据子集（D1, D3）： 从 Open-X 数据集中精心筛选约 356k 条轨迹（59k 种任务描述），选择具有以下特征的数据：

• 以物体为中心的指令（如"pick coke can from fridge"）
• 方向性指令（如"drag the circle to the left of the star"）

这帮助奖励模型泛化到目标环境中未见过的物体和空间关系。

LLM 指令增强（D3）： 用 LLM 为每个训练任务生成 5-10 条语义等价但措辞不同的指令。训练时随机采样。例如：

• 原始："close the door" → 生成："shut the door", "push the door closed", ...

2.4 架构设计（解决 D1）

冻结预训练编码器：

• 图像编码：DINOv2（86M 参数，768 维嵌入）——强物体中心表征
• 语言编码：all-MiniLM-L12-v2（384 维嵌入）——轻量高效

冻结编码器的核心考量：${\mathcal{D}}_{\text{demos}}$ 非常小（每任务仅约 5 条演示），微调编码器反而会损害泛化。

跨模态序列聚合器（Cross-Modal Sequential Aggregator）： 一个因果掩码的 Transformer（4 层，8 头，隐层 2048），将语言嵌入和图像嵌入序列融合后，通过 MLP 逐帧输出奖励。

仅首帧位置编码——一个关键技巧： 如果给每一帧都加位置编码，模型可以"作弊"——直接从位置编码推断进度，而忽略视觉内容。ReWiND 只给第一帧加位置编码，迫使模型必须理解视觉语义变化才能预测进度。

2.5 最终训练目标

$$\underset{\psi }{min}{\mathbb{E}}_{(o_{1:T},z,o_{1:T}^{\text{other}})\sim {\mathcal{D}}_{\text{demos}},{\mathcal{D}}_{\text{open-x}}}[{\mathcal{L}}_{\text{progress}}(o_{1:T},z,o_{1:T}^{\text{other}})+{\mathcal{L}}_{\text{rewind}}(o_{1:T},z)]$$

每个 batch 中 80% 来自 ${\mathcal{D}}_{\text{open-x}}$，20% 来自 ${\mathcal{D}}_{\text{demos}}$；每条视频有 80% 概率应用 Video Rewind，20% 概率作为不匹配负样本。

2.6 策略学习

离线预训练： 用训练好的 $R_{\psi }$ 为 ${\mathcal{D}}_{\text{demos}}$ 标注奖励，加上成功奖励 bonus：

$${\hat{r}}_t^{\text{off}}=R_{\psi }(o_{1:t},z)+r_{\text{success}}\cdot \mathbb{1}[t=T]$$

然后用 IQL（Implicit Q-Learning）离线训练语言条件化策略 ${\pi }_{\theta }(a_t|o_t,z)$。

在线学习新任务： 给定新任务指令 $z_{\text{new}}$，策略通过在线交互收集数据，由冻结的 $R_{\psi }(o_{1:t},z_{\text{new}})$ 提供奖励，用 SAC 微调。

算法流程：

1. 用 ${\mathcal{D}}_{\text{demos}}$ + ${\mathcal{D}}_{\text{open-x}}$ 训练奖励模型 $R_{\psi }$（含 Video Rewind 和指令增强）
2. 用 $R_{\psi }$ 标注 ${\mathcal{D}}_{\text{demos}}$ 的奖励，IQL 离线预训练策略 ${\pi }_{\theta }$
3. 给定新任务指令 $z_{\text{new}}$，执行 ${\pi }_{\theta }$ 收集在线 rollout，$R_{\psi }(o_{1:t},z_{\text{new}})$ 提供奖励，SAC 在线微调

---

三、实验结果

3.1 奖励模型评估（Q1）

在 MetaWorld 上用 20 个训练任务（每任务 5 条演示）训练，在 17 个未见任务上评估。

泛化性——混淆矩阵分析： ReWiND 在未见任务的视频-语言混淆矩阵中产生最清晰的对角线，表明它能正确区分不同任务。

演示奖励对齐：

指标	LIV	LIV-FT	RoboCLIP	VLC	GVL	ReWiND w/o OXE	ReWiND
Pearson $r$ ↑	-0.03	0.55	0.01	0.64	0.52	0.67	0.83
Spearman $\rho$ ↑	-0.04	0.55	-0.01	0.62	0.57	0.64	0.79

ReWiND 相对最佳基线 VLC 有 30% 的 $r$ 相对提升和 27% 的 $\rho$ 相对提升。

策略 Rollout 奖励排序（核心指标）：

指标	LIV	LIV-FT	RoboCLIP	VLC	GVL	ReWiND w/o OXE	ReWiND
排序 $\rho$ ↑	-0.32	0.47	0.00	-0.18	0.32	0.76	0.82
奖励差 ↑	-0.16	0.26	0.06	-0.15	0.17	0.39	0.41

这个指标衡量奖励模型能否正确区分失败/接近成功/成功三种策略 rollout。ReWiND 相对最佳基线 LIV-FT 有 74% 的排序改进和 58% 的奖励差改进——Video Rewind 的直接贡献。

输入鲁棒性：

指标	LIV	LIV-FT	RoboCLIP	VLC	GVL	ReWiND w/o OXE	ReWiND
平均 $\rho$ ↑	0.03	0.27	0.00	0.60	0.58	0.55	0.74
$\rho$ 方差 ↓	0.08	0.28	0.00	0.00	0.01	0.03	0.04

对同一任务的 4 种不同语言表述，ReWiND 保持最高平均相关性（0.74，比 VLC 高 23%）且方差极低。

3.2 策略学习（Q2）

MetaWorld 仿真（8 个未见任务，100k 步在线 RL）：

方法	IQM 成功率
Pre-train（零样本）	~5%
Sparse（仅稀疏奖励）	~2%
LIV-FT	~25%
VLC	~40%
ReWiND	79%

ReWiND 的 IQM 成功率是 VLC 的近 2×。稀疏奖励微调后反而比预训练零样本更差，表明单靠探索在有限数据下是灾难性的。

真实世界双臂机器人（Koch v1.1，5 个任务，1 小时在线 RL）：

任务变体	VLC 预训练	VLC 微调后	ReWiND 预训练	ReWiND 微调后
分杯子（分布内）	40%	20%	50%	100%
叠毛巾（分布内难）	0%	0%	0%	10%
开垃圾桶（视觉杂乱）	0%	3%	50%	70%
放杯子到盘子（空间关系）	0%	0%	0%	50%
放水果色物体进盒子（语言泛化）	0%	0%	0%	70%
平均	8%	10%	12%	68%

ReWiND 将预训练策略从平均 12% 提升到 68%，提升 5×。VLC 仅从 8% 提升到 10%。

3.3 消融实验（Q3）

模型变体	演示对齐 $\rho$	排序 $\rho$	奖励差	鲁棒 $\rho$	策略成功率（归一化）
完整 ReWiND	0.79	0.82	0.41	0.74	1.00
− 目标环境数据	0.77	0.18	0.08	0.78	—
− Open-X 数据	0.64	0.76	0.39	0.55	—
− Video Rewind	0.69	0.56	0.27	0.66	0.67
− 指令增强	0.66	0.62	0.30	0.52	—
+ 全帧位置编码	0.85	0.71	0.33	0.78	0.69

关键发现：

1. 去掉 Video Rewind：排序 $\rho$ 从 0.82 暴跌至 0.56，策略成功率下降 33%——这是最关键的组件
2. 去掉目标环境数据：排序 $\rho$ 从 0.82 降到 0.18——奖励模型完全无法区分不同质量的 rollout
3. 使用全帧位置编码：演示对齐看似提升（0.85 vs 0.79），但排序变差（0.71 vs 0.82），策略成功率下降 21%——模型学会了从位置编码"作弊"推断进度
4. 去掉指令增强：鲁棒性 $\rho$ 从 0.74 降到 0.52，$\rho$ 方差从 0.04 升到 0.07

训练任务数量的影响：

训练任务数	排序 $\rho$（归一化）	鲁棒 $\rho$（归一化）	策略成功率（归一化）
5	0.76	0.86	0.52
10	0.90	0.88	0.47
20（完整）	1.00	1.00	1.00

即使只有 5 个训练任务，奖励模型仍然表现不错（排序 $\rho$ 保留 76%），但策略成功率明显下降。

---

四、局限性与未来方向

4.1 冻结编码器的双刃剑

ReWiND 冻结 DINOv2 和 MiniLM 编码器以防止小数据集过拟合。但这也意味着奖励模型无法适应预训练模型未覆盖的视觉场景——例如双臂协作操作（Open-X 中几乎没有双臂数据）和特定相机视角下的遮挡问题。论文中展示了一个失败案例：Koch 双臂擦盘子任务，奖励完全不对齐。

4.2 成功检测的依赖

ReWiND 在离线和在线 RL 中都使用了 $r_{\text{success}}$ 奖励 bonus。这要求一个可靠的成功检测器（目前由人工提供）。虽然可以对 $R_{\psi }$ 的输出设阈值，但不同任务的奖励范围差异较大，简单阈值不可靠。

4.3 环境重置

当前仍需人工重置环境，限制了真正自主学习的规模。

4.4 初始策略质量

论文发现初始零样本性能与最终 RL 微调效果强相关——如果预训练策略已经"自信地做错事"，KL 约束下的在线 RL 难以纠正。与更强的预训练策略（如 VLA 基础模型）结合是重要方向。

---

五、个人思考

5.1 与同类奖励模型工作的定位关系

ReWiND 在这个笔记项目中有几个密切相关的论文值得对比：

方法	奖励信号来源	是否需要微调	输入模态	适用阶段
ReWiND	视频进度预测	是（小样本）	视频帧序列 + 语言	在线 RL
ROBOMETER	帧级进度 + 轨迹偏好	是	单帧 + 语言	在线 RL
RoboReward	VLM episode 级评分	是（LoRA）	视频 + 语言	离线/在线 RL
Robo-Dopamine	步感知 GRM	是	多视角帧	在线 RL
RISE	世界模型想象 + TD 价值	是	多视角帧 + 语言	想象空间 RL

ReWiND 的独特之处在于极致的数据效率——每个任务仅 5 条演示即可训练出泛化到新任务的奖励模型。Video Rewind 技巧巧妙地解决了"只有成功数据但需要识别失败"的鸡生蛋问题。

5.2 Video Rewind 的深层洞察

Video Rewind 表面上是一个简单的数据增强技巧，但它体现了一个深刻的观察：在机器人操作中，大部分失败模式就是"做对了一半然后回退"。抓空了 = 靠近目标 + 远离目标；放歪了 = 对准 + 偏移。这意味着时间反转是一个合理的失败模拟器。

这个思路和 RISE 中进度估计 + TD 学习的双损失设计有异曲同工之处：两者都在用不同方式教奖励/价值模型识别"进度下降"。

5.3 进度预测 vs 排序 vs 偏好

ReWiND 选择了固定的进度回归目标 $t/T$，而非 VLC 的排序目标或 ROBOMETER 的偏好比较目标。这个选择有两面性：

• 优势：目标稳定，输出天然归一化，训练简单
• 劣势：假设进度与时间步线性相关——但实际上抓取动作可能在最后几帧内完成大部分"进度跳跃"

RISE 的解决方案是用进度估计打基础 + TD 学习捕捉非线性成败信号。ReWiND 则用 Video Rewind 增强来弥补线性假设的不足。两种方案各有优劣。

5.4 仅首帧位置编码的启示

这是一个很有教育意义的设计选择。消融实验表明全帧位置编码让演示对齐指标"提升"（0.85 vs 0.79），但策略实际成功率下降 21%。这是因为模型通过位置编码"作弊"预测进度，在面对策略 rollout 时奖励仍然单调递增——即使策略在失败。评估指标要选对，否则会被误导。

5.5 可扩展性思考

ReWiND 的训练极为轻量（MetaWorld 仅 2k 步，真实世界 10k 步），但受限于冻结编码器的泛化上限。未来结合更强的机器人视觉基础模型（如 Octo、RT-2 的视觉编码器），并在此基础上做适度微调，可能打破这个上限。

---

参考

• VLC（Alakuijala et al., TMLR 2025）：视频-语言 Critic，用序列排序目标训练奖励模型——ReWiND 的核心对比基线
• LIV（Ma et al., ICML 2023）：基于 EpicKitchens 预训练的机器人奖励模型
• GVL（Ma et al., ICLR 2025）：用 Gemini LLM 零样本预测帧级进度
• RoboCLIP（Sontakke et al., NeurIPS 2023）：用 S3D 视频-语言模型做零样本奖励
• IQL（Kostrikov et al., ICLR 2022）：隐式 Q 学习，ReWiND 离线 RL 的算法选择
• Open-X（Collaboration, ICRA 2024）：大规模多机器人开源数据集，ReWiND 的多样化数据来源
• π₀.₆*（Physical Intelligence, 2025）：RECAP 优势条件化离线 RL 框架