MLLM в качестве ретриевера: интерактивное обучение мультимодальному поиску для инкорпорированных агентов

MLLM as Retriever: Interactively Learning Multimodal Retrieval for Embodied Agents

October 4, 2024

Авторы: Junpeng Yue, Xinru Xu, Börje F. Karlsson, Zongqing Lu

cs.AI

Аннотация

Агенты MLLM демонстрируют потенциал для выполнения сложных воплощенных задач путем извлечения мультимодальных траекторий, содержащих информацию, необходимую для задачи. Однако текущие методы извлечения в основном сосредотачиваются на поверхностных сходствах текстовых или визуальных подсказок в траекториях, игнорируя их эффективность для конкретной задачи. Для решения этой проблемы мы предлагаем новый метод, MLLM как ReTriever (MART), который повышает производительность воплощенных агентов, используя данные взаимодействия для настройки MLLM-извлекателя на основе обучения предпочтений, таким образом, чтобы извлекатель полностью учитывал эффективность траекторий и приоритизировал их для невидимых задач. Мы также представляем Траекторную Абстракцию, механизм, который использует возможности суммирования MLLM для представления траекторий с меньшим количеством токенов, сохраняя ключевую информацию, что позволяет агентам лучше понимать вехи в траектории. Экспериментальные результаты в различных средах демонстрируют, что наш метод значительно улучшает успешность задач в невидимых сценах по сравнению с базовыми методами. Эта работа представляет новую парадигму для мультимодального извлечения в воплощенных агентах, путем настройки общего MLLM в качестве извлекателя для оценки эффективности траекторий. Все наборы бенчмарков и модификации кода симулятора для действий и пространств наблюдения будут опубликованы.

English

MLLM agents demonstrate potential for complex embodied tasks by retrieving multimodal task-relevant trajectory data. However, current retrieval methods primarily focus on surface-level similarities of textual or visual cues in trajectories, neglecting their effectiveness for the specific task at hand. To address this issue, we propose a novel method, MLLM as ReTriever (MART), which enhances the performance of embodied agents by utilizing interaction data to fine-tune an MLLM retriever based on preference learning, such that the retriever fully considers the effectiveness of trajectories and prioritize them for unseen tasks. We also introduce Trajectory Abstraction, a mechanism that leverages MLLMs' summarization capabilities to represent trajectories with fewer tokens while preserving key information, enabling agents to better comprehend milestones in the trajectory. Experimental results across various environments demonstrate our method significantly improves task success rates in unseen scenes compared to baseline methods. This work presents a new paradigm for multimodal retrieval in embodied agents, by fine-tuning a general-purpose MLLM as the retriever to assess trajectory effectiveness. All benchmark task sets and simulator code modifications for action and observation spaces will be released.