Emma-X: Un modello di azione multimodale incorporato con una catena di pensiero radicata e ragionamento spaziale di anticipazione.

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

December 16, 2024

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

cs.AI

Abstract

I metodi tradizionali di controllo robotico basati sull'apprendimento per rinforzo sono spesso specifici per compiti e non riescono a generalizzare tra ambienti diversi o oggetti e istruzioni non visti in precedenza. I Modelli Visivo-Linguistici (VLM) dimostrano una forte comprensione della scena e capacità di pianificazione, ma mancano della capacità di generare politiche attuabili adattate a specifiche incarnazioni robotiche. Per affrontare questo problema, sono emersi i modelli Visual-Linguaggio-Azione (VLA), ma si trovano ad affrontare sfide nel ragionamento spaziale a lungo termine e nella pianificazione di compiti concreti. In questo lavoro, proponiamo il Modello d'Azione Multimodale Incarnato con Catena di Pensiero Radicata e Ragionamento Spaziale Anticipato, Emma-X. Emma-X sfrutta il nostro dataset gerarchico costruito basato su BridgeV2, contenente 60.000 traiettorie di manipolazione robotica auto-annotate con ragionamento di compiti concreti e guida spaziale. Inoltre, introduciamo una strategia di segmentazione delle traiettorie basata sugli stati della pinza e sulle traiettorie di movimento, che può aiutare a mitigare l'allucinazione nella generazione del ragionamento di sottocompiti concreti. I risultati sperimentali dimostrano che Emma-X raggiunge prestazioni superiori rispetto a basi competitive, in particolare in compiti robotici del mondo reale che richiedono ragionamento spaziale.

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.