Visueel Belichaamd Brein: Laat Multimodale Grote Taalmodellen Zien, Denken, en Besturen in Ruimtes

Samenvatting

De opmerkelijke vooruitgang van Multimodale Grote Taalmodellen (MLLMs) heeft steeds meer aandacht getrokken om deze uit te breiden naar fysieke entiteiten zoals looprobots. Dit vereist doorgaans dat MLLMs niet alleen multimodale begripsvaardigheden beheersen, maar ook visueel-ruimtelijk redeneren en fysieke interactiecapaciteiten integreren. Desalniettemin worstelen bestaande methoden om deze capaciteiten te verenigen vanwege hun fundamentele verschillen. In dit artikel presenteren we het Visueel Belichaamde Brein (VeBrain), een verenigd raamwerk voor perceptie, redeneren en controle in de echte wereld. VeBrain herformuleert robotbesturing naar gemeenschappelijke tekstgebaseerde MLLM-taken in de 2D-visuele ruimte, waardoor de doelstellingen en kaartruimten van verschillende taken worden verenigd. Vervolgens wordt een nieuwe robotadapter voorgesteld om tekstuele controlesignalen van MLLMs om te zetten naar bewegingsbeleid van echte robots. Vanuit het perspectief van data introduceren we verder VeBrain-600k, een hoogwaardige instructiedataset die verschillende capaciteiten van VeBrain omvat. In VeBrain-600k hebben we honderden uren besteed aan het verzamelen, cureren en annoteren van de data, en hebben we multimodale keten-van-gedachten (CoT) gebruikt om de verschillende capaciteiten te mengen in een enkel gesprek. Uitgebreide experimenten op 13 multimodale benchmarks en 5 ruimtelijke intelligentiebenchmarks tonen de superieure prestaties van VeBrain aan ten opzichte van bestaande MLLMs zoals Qwen2.5-VL. Wanneer het wordt ingezet bij looprobots en robotarmen, toont VeBrain sterke aanpassingsvermogen, flexibiliteit en compositorische capaciteiten in vergelijking met bestaande methoden. Bijvoorbeeld, in vergelijking met Qwen2.5-VL, behaalt VeBrain niet alleen aanzienlijke winsten op MMVet met +5,6%, maar blinkt het ook uit in taken met looprobots met gemiddelde winsten van +50%.

English

The remarkable progress of Multimodal Large Language Models (MLLMs) has attracted increasing attention to extend them to physical entities like legged robot. This typically requires MLLMs to not only grasp multimodal understanding abilities, but also integrate visual-spatial reasoning and physical interaction capabilities. Nevertheless,existing methods struggle to unify these capabilities due to their fundamental differences.In this paper, we present the Visual Embodied Brain (VeBrain), a unified framework for perception, reasoning, and control in real world. VeBrain reformulates robotic control into common text-based MLLM tasks in the 2D visual space, thus unifying the objectives and mapping spaces of different tasks. Then, a novel robotic adapter is proposed to convert textual control signals from MLLMs to motion policies of real robots. From the data perspective, we further introduce VeBrain-600k, a high-quality instruction dataset encompassing various capabilities of VeBrain. In VeBrain-600k, we take hundreds of hours to collect, curate and annotate the data, and adopt multimodal chain-of-thought(CoT) to mix the different capabilities into a single conversation. Extensive experiments on 13 multimodal benchmarks and 5 spatial intelligence benchmarks demonstrate the superior performance of VeBrain to existing MLLMs like Qwen2.5-VL. When deployed to legged robots and robotic arms, VeBrain shows strong adaptability, flexibility, and compositional capabilities compared to existing methods. For example, compared to Qwen2.5-VL, VeBrain not only achieves substantial gains on MMVet by +5.6%, but also excels in legged robot tasks with +50% average gains.

Visueel Belichaamd Brein: Laat Multimodale Grote Taalmodellen Zien, Denken, en Besturen in Ruimtes

Visual Embodied Brain: Let Multimodal Large Language Models See, Think, and Control in Spaces

Samenvatting

Support