Эмма-Х: Воплощенная мультимодальная модель действий с обоснованной цепочкой мыслей и пространственным предварительным рассмотрением.

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

December 16, 2024

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

cs.AI

Аннотация

Традиционные методы управления роботами на основе обучения с подкреплением часто ориентированы на конкретные задачи и не способны обобщать информацию по различным средам или невидимым объектам и инструкциям. Визуально-языковые модели (VLM) демонстрируют высокое понимание сцен и способности к планированию, однако им не хватает возможности создания действенных стратегий, адаптированных к конкретным робототехническим воплощениям. Для решения этой проблемы были разработаны модели визуально-языкового-действия (VLA), однако они сталкиваются с трудностями в долгосрочном пространственном рассуждении и планировании задач на основе обоснованных данных. В данной работе мы предлагаем модель воплощенного мультимодального действия с цепочкой обоснованных мыслей и пространственным рассуждением с предварительным просмотром, Emma-X. Emma-X использует наш набор данных иерархического воплощения, основанный на BridgeV2, содержащий 60 000 траекторий манипуляции робота, автоматически аннотированных обоснованным рассуждением о задаче и пространственным руководством. Кроме того, мы представляем стратегию сегментации траекторий на основе состояний схвата и траекторий движения, которая может помочь смягчить галлюцинации при генерации обоснованных данных о подзадачах. Экспериментальные результаты показывают, что Emma-X достигает превосходных результатов по сравнению с конкурентными базовыми моделями, особенно в реальных робототехнических задачах, требующих пространственного рассуждения.

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.