DualVLA: Создание универсального агента с разделением рассуждений и действий

Введение

Для создания универсальной модели Vision-Language-Action (VLA) с высокой способностью к рассуждению часто применяют стратегию, заключающуюся в первоначальном обучении специализированной модели VLA на демонстрациях робота. Это позволяет приобрести надежные навыки манипуляции, после чего комбинируются аннотированные данные робота с мультимодальными данными для восстановления более широких возможностей рассуждения.

Проблема деградации действий

Однако мы замечаем, что у полученной модели VLA для рассуждений часто наблюдается ухудшение качества выполнения действий по сравнению со специализированной моделью до тонкой настройки. Это явление мы называем деградацией действий.

Решение: DualVLA

Чтобы решить эту проблему, мы предлагаем подход DualVLA, который улучшает выполнение действий благодаря тщательно продуманной постобработке, сохраняя при этом способность к рассуждению.

Методы DualVLA

• Метод двойного слоя очистки данных: Удаляет избыточные элементы embodied reasoning, предотвращая их негативное влияние на обучение действиям.
• Стратегия адаптивной дистилляции с двумя преподавателями: Назначает различные сигналы управления для разных доменов данных, при этом сохраняя способности к рассуждению.

Оценка универсальных VLA

Чтобы заполнить пробел в оценке универсальных VLA, мы также предлагаем VLA Score, который разделяет возможности VLA на рассуждение, намерение и действие.

Материал носит информационный характер и не является профессиональной консультацией. Часть материалов издания готовится с использованием нейросетевых инструментов и проверяется редакцией по первоисточникам — подробнее в пользовательском соглашении. Нашли неточность или считаете, что материал нарушает ваши права — сообщите редакции, обращения рассматриваются в течение суток.