Визуальное воплощенное сознание: позвольте мультимодальным большим языковым моделям видеть, мыслить и управлять в пространствах

Аннотация

Заметный прогресс в области мультимодальных больших языковых моделей (MLLMs) привлек растущее внимание к их расширению на физические объекты, такие как шагающие роботы. Это требует от MLLMs не только овладения способностями к мультимодальному пониманию, но и интеграции визуально-пространственного мышления и возможностей физического взаимодействия. Тем не менее, существующие методы сталкиваются с трудностями в объединении этих способностей из-за их фундаментальных различий. В данной статье мы представляем Visual Embodied Brain (VeBrain) — унифицированную платформу для восприятия, рассуждения и управления в реальном мире. VeBrain переформулирует управление роботами в задачи, характерные для текстовых MLLMs, в двумерном визуальном пространстве, тем самым унифицируя цели и пространства отображения для различных задач. Затем предлагается новый адаптер для роботов, который преобразует текстовые управляющие сигналы от MLLMs в стратегии движения реальных роботов. С точки зрения данных, мы также представляем VeBrain-600k — высококачественный набор данных с инструкциями, охватывающий различные возможности VeBrain. В VeBrain-600k мы потратили сотни часов на сбор, обработку и аннотирование данных, а также использовали мультимодальную цепочку рассуждений (CoT) для объединения различных способностей в единый диалог. Многочисленные эксперименты на 13 мультимодальных тестах и 5 тестах на пространственный интеллект демонстрируют превосходство VeBrain по сравнению с существующими MLLMs, такими как Qwen2.5-VL. При развертывании на шагающих роботах и роботизированных манипуляторах VeBrain показывает высокую адаптивность, гибкость и композиционные способности по сравнению с существующими методами. Например, по сравнению с Qwen2.5-VL, VeBrain не только достигает значительного улучшения на тесте MMVet на +5,6%, но также превосходит в задачах для шагающих роботов с увеличением среднего результата на +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.

Визуальное воплощенное сознание: позвольте мультимодальным большим языковым моделям видеть, мыслить и управлять в пространствах

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

Аннотация

Support