Emma-X: Um Modelo de Ação Multimodal Incorporado com Cadeia Fundamentada de Pensamento e Raciocínio Espacial de Antecipação.

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

Resumo

Métodos tradicionais de controle robótico baseados em aprendizado por reforço são frequentemente específicos para tarefas e falham em generalizar em ambientes diversos ou objetos e instruções não vistos. Modelos Visuais de Linguagem (VLMs) demonstram forte compreensão de cena e capacidades de planejamento, mas carecem da habilidade de gerar políticas acionáveis adaptadas a encarnações robóticas específicas. Para lidar com isso, surgiram modelos Visual-Linguagem-Ação (VLA), no entanto, enfrentam desafios em raciocínio espacial de longo horizonte e planejamento de tarefas fundamentado. Neste trabalho, propomos o Modelo de Ação Multimodal Encarnado com Cadeia de Pensamento Fundamentada e Raciocínio Espacial de Antecipação, Emma-X. Emma-X aproveita nosso conjunto de dados de encarnação hierárquica construído com base no BridgeV2, contendo 60.000 trajetórias de manipulação de robôs autoanotadas com raciocínio de tarefas fundamentado e orientação espacial. Adicionalmente, introduzimos uma estratégia de segmentação de trajetória com base em estados de garra e trajetórias de movimento, que pode ajudar a mitigar a alucinação na geração de raciocínio de subtarefas fundamentadas. Resultados experimentais demonstram que Emma-X alcança desempenho superior em relação a baselines competitivos, especialmente em tarefas robóticas do mundo real que requerem raciocínio 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.