Cérebro Visual Incorporado: Permitindo que Modelos de Linguagem Multimodais de Grande Escala Vejam, Pensem e Controlem em Espaços

Resumo

O progresso notável dos Modelos de Linguagem Multimodais de Grande Escala (MLLMs) tem atraído atenção crescente para estendê-los a entidades físicas, como robôs com pernas. Isso tipicamente exige que os MLLMs não apenas dominem habilidades de compreensão multimodal, mas também integrem capacidades de raciocínio visual-espacial e interação física. No entanto, os métodos existentes lutam para unificar essas capacidades devido às suas diferenças fundamentais. Neste artigo, apresentamos o Cérebro Visual Embarcado (VeBrain), um framework unificado para percepção, raciocínio e controle no mundo real. O VeBrain reformula o controle robótico em tarefas comuns baseadas em texto de MLLMs no espaço visual 2D, unificando assim os objetivos e espaços de mapeamento de diferentes tarefas. Em seguida, propomos um novo adaptador robótico para converter sinais de controle textuais de MLLMs em políticas de movimento de robôs reais. Do ponto de vista dos dados, introduzimos ainda o VeBrain-600k, um conjunto de dados de instrução de alta qualidade que abrange várias capacidades do VeBrain. No VeBrain-600k, dedicamos centenas de horas para coletar, curar e anotar os dados, e adotamos o pensamento em cadeia multimodal (CoT) para misturar as diferentes capacidades em uma única conversa. Experimentos extensivos em 13 benchmarks multimodais e 5 benchmarks de inteligência espacial demonstram o desempenho superior do VeBrain em comparação com MLLMs existentes, como o Qwen2.5-VL. Quando implantado em robôs com pernas e braços robóticos, o VeBrain mostra forte adaptabilidade, flexibilidade e capacidades composicionais em comparação com os métodos existentes. Por exemplo, em comparação com o Qwen2.5-VL, o VeBrain não apenas alcança ganhos substanciais no MMVet com +5,6%, mas também se destaca em tarefas de robôs com pernas com ganhos médios de +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.

Cérebro Visual Incorporado: Permitindo que Modelos de Linguagem Multimodais de Grande Escala Vejam, Pensem e Controlem em Espaços

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

Resumo

Support