Emma-X : Un modèle d'action multimodal incarné avec une chaîne de pensée ancrée et un raisonnement spatial anticipatif

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

December 16, 2024

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

cs.AI

Résumé

Les méthodes traditionnelles de contrôle robotique basées sur l'apprentissage par renforcement sont souvent spécifiques à la tâche et échouent à généraliser à travers des environnements divers ou des objets et instructions inconnus. Les Modèles Visuels de Langage (VLM) démontrent une forte compréhension de scène et des capacités de planification, mais ils manquent de la capacité à générer des politiques actionnables adaptées à des embodiments robotiques spécifiques. Pour remédier à cela, les modèles Visual-Language-Action (VLA) ont émergé, mais ils rencontrent des défis en raisonnement spatial à long terme et en planification de tâches ancrées. Dans ce travail, nous proposons le Modèle d'Action Multimodal Incarné avec Chaîne de Pensée Ancrée et Raisonnement Spatial Anticipatif, Emma-X. Emma-X tire parti de notre ensemble de données hiérarchique construit basé sur BridgeV2, contenant 60 000 trajectoires de manipulation de robots auto-annotées avec un raisonnement de tâche ancré et un guidage spatial. De plus, nous introduisons une stratégie de segmentation de trajectoire basée sur les états de la pince et les trajectoires de mouvement, qui peut aider à atténuer l'hallucination dans la génération de raisonnement de sous-tâche ancrée. Les résultats expérimentaux démontrent qu'Emma-X atteint des performances supérieures aux bases de référence compétitives, en particulier dans des tâches robotiques du monde réel nécessitant un raisonnement spatial.

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.