Emma-X: Un modelo de acción multimodal encarnado con una cadena fundamentada de pensamiento y razonamiento espacial de anticipación.

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

December 16, 2024

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

cs.AI

Resumen

Los métodos tradicionales de control robótico basados en aprendizaje por refuerzo suelen ser específicos de la tarea y no logran generalizar en entornos diversos u objetos e instrucciones no vistos. Los Modelos Visuales de Lenguaje (VLMs) demuestran una sólida comprensión de escenas y capacidades de planificación, pero carecen de la habilidad para generar políticas ejecutables adaptadas a encarnaciones robóticas específicas. Para abordar esto, han surgido los modelos Visual-Lenguaje-Acción (VLA), aunque enfrentan desafíos en razonamiento espacial a largo plazo y planificación de tareas fundamentadas. En este trabajo, proponemos el Modelo de Acción Multimodal Encarnado con Cadena de Pensamiento Fundamentada y Razonamiento Espacial de Mirada Adelantada, Emma-X. Emma-X aprovecha nuestro conjunto de datos jerárquico construido basado en BridgeV2, que contiene 60,000 trayectorias de manipulación de robots autoanotadas con razonamiento de tareas fundamentadas y orientación espacial. Además, introducimos una estrategia de segmentación de trayectorias basada en estados de pinza y trayectorias de movimiento, que puede ayudar a mitigar la alucinación en la generación de razonamiento de subtareas fundamentadas. Los resultados experimentales demuestran que Emma-X logra un rendimiento superior sobre líneas base competitivas, especialmente en tareas robóticas del mundo real que requieren razonamiento espacial.

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.