MLLM als Retriever: Interaktiv lernen von multimodalem Retrieval für verkörperte Agenten

MLLM as Retriever: Interactively Learning Multimodal Retrieval for Embodied Agents

October 4, 2024

Autoren: Junpeng Yue, Xinru Xu, Börje F. Karlsson, Zongqing Lu

cs.AI

Zusammenfassung

MLLM-Agenten zeigen Potenzial für komplexe verkörperte Aufgaben, indem sie multimodale, aufgabenrelevante Trajektoriendaten abrufen. Allerdings konzentrieren sich aktuelle Abrufmethoden hauptsächlich auf oberflächliche Ähnlichkeiten von textuellen oder visuellen Hinweisen in Trajektorien und vernachlässigen deren Effektivität für die spezifische Aufgabe. Um dieses Problem anzugehen, schlagen wir eine neuartige Methode vor, MLLM als ReTriever (MART), die die Leistung von verkörperten Agenten verbessert, indem sie Interaktionsdaten nutzt, um einen MLLM-Abruf anhand von Präferenzlernen feinzustimmen. Dadurch berücksichtigt der Abruf die Effektivität von Trajektorien vollständig und priorisiert sie für unbekannte Aufgaben. Wir führen auch Trajektorienabstraktion ein, einen Mechanismus, der die Zusammenfassungsfähigkeiten von MLLMs nutzt, um Trajektorien mit weniger Tokens darzustellen, während wichtige Informationen erhalten bleiben, was Agenten ermöglicht, Meilensteine in der Trajektorie besser zu verstehen. Experimentelle Ergebnisse in verschiedenen Umgebungen zeigen, dass unsere Methode die Erfolgsraten bei Aufgaben in unbekannten Szenen im Vergleich zu Basislinienmethoden signifikant verbessert. Diese Arbeit präsentiert ein neues Paradigma für multimodalen Abruf bei verkörperten Agenten, indem ein allgemeiner MLLM als Abruf feinabgestimmt wird, um die Effektivität von Trajektorien zu bewerten. Alle Benchmark-Aufgabensets und Simulatorcode-Modifikationen für Aktions- und Beobachtungsräume werden veröffentlicht.

English

MLLM agents demonstrate potential for complex embodied tasks by retrieving multimodal task-relevant trajectory data. However, current retrieval methods primarily focus on surface-level similarities of textual or visual cues in trajectories, neglecting their effectiveness for the specific task at hand. To address this issue, we propose a novel method, MLLM as ReTriever (MART), which enhances the performance of embodied agents by utilizing interaction data to fine-tune an MLLM retriever based on preference learning, such that the retriever fully considers the effectiveness of trajectories and prioritize them for unseen tasks. We also introduce Trajectory Abstraction, a mechanism that leverages MLLMs' summarization capabilities to represent trajectories with fewer tokens while preserving key information, enabling agents to better comprehend milestones in the trajectory. Experimental results across various environments demonstrate our method significantly improves task success rates in unseen scenes compared to baseline methods. This work presents a new paradigm for multimodal retrieval in embodied agents, by fine-tuning a general-purpose MLLM as the retriever to assess trajectory effectiveness. All benchmark task sets and simulator code modifications for action and observation spaces will be released.