MLLM en tant que récupérateur : Apprentissage interactif de la recherche multimodale pour les agents incarnés

MLLM as Retriever: Interactively Learning Multimodal Retrieval for Embodied Agents

October 4, 2024

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

cs.AI

Résumé

Les agents MLLM démontrent un potentiel pour des tâches incarnées complexes en récupérant des données de trajectoire multimodales pertinentes pour la tâche. Cependant, les méthodes actuelles de récupération se concentrent principalement sur les similarités de surface des indices textuels ou visuels dans les trajectoires, négligeant leur efficacité pour la tâche spécifique en cours. Pour résoudre ce problème, nous proposons une méthode novatrice, MLLM en tant que Rechercheur (MART), qui améliore les performances des agents incarnés en utilisant des données d'interaction pour affiner un rechercheur MLLM basé sur l'apprentissage de préférences, de sorte que le rechercheur considère pleinement l'efficacité des trajectoires et les priorise pour les tâches non vues. Nous introduisons également l'Abstraction de Trajectoire, un mécanisme qui exploite les capacités de résumé des MLLM pour représenter les trajectoires avec moins de jetons tout en préservant les informations clés, permettant aux agents de mieux comprendre les étapes importantes de la trajectoire. Les résultats expérimentaux dans divers environnements démontrent que notre méthode améliore significativement les taux de réussite des tâches dans des scènes non vues par rapport aux méthodes de référence. Ce travail présente un nouveau paradigme pour la récupération multimodale chez les agents incarnés, en affinant un MLLM polyvalent en tant que rechercheur pour évaluer l'efficacité des trajectoires. Tous les ensembles de tâches de référence et les modifications du code du simulateur pour les espaces d'action et d'observation seront publiés.

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.