Emma-X: Ein verkörperter multimodaler Aktionsmodell mit verankerten Gedankenketten und vorausschauender räumlicher Argumentation.

Emma-X: An Embodied Multimodal Action Model with Grounded Chain of Thought and Look-ahead Spatial Reasoning

December 16, 2024

Autoren: Qi Sun, Pengfei Hong, Tej Deep Pala, Vernon Toh, U-Xuan Tan, Deepanway Ghosal, Soujanya Poria

cs.AI

Zusammenfassung

Traditionelle robotergesteuerte Steuerungsmethoden basierend auf Verstärkungslernen sind oft auf bestimmte Aufgaben beschränkt und können nicht generalisieren über verschiedene Umgebungen oder unbekannte Objekte und Anweisungen. Visuelle Sprachmodelle (VLMs) zeigen eine starke Szenenverständnis- und Planungsfähigkeit, aber es fehlt die Fähigkeit, handlungsfähige Richtlinien zu generieren, die auf spezifische robotische Verkörperungen zugeschnitten sind. Um dies zu lösen, sind Visual-Language-Action (VLA)-Modelle entstanden, die jedoch vor Herausforderungen in langfristigem räumlichem Denken und fundierter Aufgabenplanung stehen. In dieser Arbeit schlagen wir das Embodied Multimodal Action Model mit fundiertem Gedankenketten- und vorausschauendem räumlichem Denken, Emma-X, vor. Emma-X nutzt unser konstruiertes hierarchisches Verkörperungsdatenset basierend auf BridgeV2, das 60.000 Roboter-Manipulationstrajectories enthält, die automatisch mit fundierter Aufgabenbegründung und räumlicher Anleitung annotiert sind. Darüber hinaus führen wir eine Trajektoriensegmentierungsstrategie basierend auf Greiferzuständen und Bewegungstrajectories ein, die helfen kann, Halluzinationen bei der Begründung von Teilaufgaben zu reduzieren. Experimentelle Ergebnisse zeigen, dass Emma-X eine überlegene Leistung gegenüber wettbewerbsfähigen Baselines erzielt, insbesondere bei realen robotergesteuerten Aufgaben, die räumliches Denken erfordern.

English

Traditional reinforcement learning-based robotic control methods are often task-specific and fail to generalize across diverse environments or unseen objects and instructions. Visual Language Models (VLMs) demonstrate strong scene understanding and planning capabilities but lack the ability to generate actionable policies tailored to specific robotic embodiments. To address this, Visual-Language-Action (VLA) models have emerged, yet they face challenges in long-horizon spatial reasoning and grounded task planning. In this work, we propose the Embodied Multimodal Action Model with Grounded Chain of Thought and Look-ahead Spatial Reasoning, Emma-X. Emma-X leverages our constructed hierarchical embodiment dataset based on BridgeV2, containing 60,000 robot manipulation trajectories auto-annotated with grounded task reasoning and spatial guidance. Additionally, we introduce a trajectory segmentation strategy based on gripper states and motion trajectories, which can help mitigate hallucination in grounding subtask reasoning generation. Experimental results demonstrate that Emma-X achieves superior performance over competitive baselines, particularly in real-world robotic tasks requiring spatial reasoning.