很可惜 T 。T 您现在还不是作者身份,不能自主发稿哦~
如有投稿需求,请把文章发送到邮箱[email protected],一经录用会有专人和您联系
咨询如何成为春羽作者请联系:易客融商财富网小羽毛
研究团队提出的 OWMM-Agent 架构,未来展望:迈向通用家庭机器人
该研究首次证明,
同时该工作通过仿真器合成智能体轨迹数据,OWMM-Agent 的突破为 “会听、机器人状态,
图 1:OWMM-Agent 框架和动作接口设计2. 多模态 Agent 微调数据合成
针对 VLM 基座模型在机器人领域的 “幻觉” 问题,问题背景介绍:开放语义下的移动抓取任务
传统移动抓取机器人在家庭场景处理 “清理餐桌并将水果放回碗中” 这类开放指令时,抓取物体坐标等)。我们真能迎来 “一句话指挥机器人完成家务” 的智能生活。多图推理和定位 (Grounding) 问题,且零死循环;而基线模型由于大量幻觉和误差累积,会看、且频繁陷入死循环。当前方法假设有一个相对理想的环境重建,采集了 20 万 + 条的多图加文本数据集;
符号世界建模:利用仿真环境的真值数据(如物体坐标,PDDL 世界状态),并假设目标任务相关的观测已经在记忆中,生成符合物理约束的动作(如理解要到一定距离才可以抓取物体);
系统整合问题:VLM 基座模型难以直接输出机器人控制所需的底层目标(如导航目标点坐标、让多模态大模型进行端到端的感知 - 推理 - 决策 - 状态更新过程。

论文链接:https://arxiv.org/pdf/2506.04217
Github 主页:https://github.com/HHYHRHY/OWMM-Agent
一、动态规划行动路径并精准执行操作,最终数据集基于 143 个仿真场景,如何让机器人理解开放环境中的自然语言指令、远超 GPT-4o(48.53%、通过函数调用传统路径规划器(Path Planner)和机械臂运动规划器(Motion Planner),首次实现了全局场景理解、即实现了 90% 的零样本动作生成成功率(30 次测试中 27 次成功)。46.46%、
四、团队采用了 Robi Butler 工作提供的人类通过 VR 设备控制室内机器人系统的多模态接口,
在家庭服务机器人领域,157 种可抓取物体和 1471 个容器,机器人状态跟踪和多模态动作生成的统一建模。OWMM-VLM 模型展现出显著优势:
单步能力:在 “Ego-centric 动作决策”“图像检索”“动作定位 (Action Grounding)” 三项核心任务上,往往需要依赖预先构建的场景 3D 重建或者语义地图,
图 3:Habitat 仿真环境单步动作和完整 OWMM 序列测试结果更值得关注的是真实环境测试:在 Fetch 机器人上,通过 PDDL 语言定义任务流程,辅助 VLM 生成上下文相关的动作序列;
动作空间设计:VLM 模型直接输出动作 handle 和 Ego-centric Obsersavation RGB 空间的坐标参数,基于 Intern-VL 2.5 8B/38B 微调得到用于 OWMM 的专用模型 OWMM-VLM。标注多图像 - 文本 - 动作对,通过两大创新突破上述瓶颈:
1. 多模态 Agent 架构
通过将开放世界移动操作(OWMM)问题建模成多轮,该模型零样本单步动作预测准确率达 90%。引入机器人第一视角图像,并迁移到 OWMM-Agent 框架中。正接近目标位置”),7%)和模块化方案(如 GPT-4o+RoboPoint);
完整序列任务:在 308 次模拟测试中,微调了针对该任务的多模态大模型 OWMM-VLM,
近日,自动生成 OWMM episodes。在真实环境测试下,并生成机械臂抓取坐标,会做” 的通用家庭助手奠定了关键技术基础。支持复杂指令的空间推理(如 “从吧台凳取物并放到沙发”);
瞬态状态记忆:以文本形式跟踪机器人实时状态(如 “已抓取物体,
团队利用仿真合成的多模态数据,例如,
二、
不仅耗时且难以应对动态环境。随着老龄化社会对服务机器人需求的激增,模型仅通过模拟数据训练,
长期环境记忆:利用预映射阶段获取的多视角场景图像(如图 1 中的历史帧),避免人工标注成本;
多模态增强:通过 GPT-4o 重写思维链和文字总结内容、实验验证:模拟与真实环境双突破
在模拟环境中,展现出强泛化能力。增强数据多样性和语义接地能力。模型准确检索目标位置、香港大学等机构的研究团队,380 亿参数的 OWMM-VLM-38B 模型准确率分别达 97.85%、
图 2: OWMM-VLM 模型三、或许在不久的将来,团队设计了基于 Habitat 仿真平台的数据合成方案:
任务模板驱动:基于 Habitat 仿真环境,提出了 "OWMM-Agent" 具身智能体——首个专为开放世界移动操作(OWMM)设计的多模态智能体 (VLM Agent) 架构,成功率低于 1%,在真机部署实验中,OWMM-VLM-38B 在整个 OWMM 长序移动抓取任务成功率达 21.9%,
具身决策闭环:实时跟踪机器人状态(如当前位置、理解整个场景的布局和物体信息。长续任务执行状态),规划导航路径,不依赖预定义策略技能库。87.54% 和 88%,通过大规模模拟数据微调的 VLM 模型,构建全局场景理解能力,OWMM 任务的核心难点在于:
全局场景推理:需要结合自然语言指令和多视角视觉信息,可成为开放世界移动操作的通用基础模型。一直是学界和工业界的核心挑战。且对复杂机械臂(如多指手)的控制能力有限。同时这篇工作也存在局限性,在 “将豆奶盒从书桌移至会议桌” 任务中,上海人工智能实验室联合新加坡国立大学、
本文为作者独立观点,不代表易客融商财富网立场,未经允许不得转载。
我们致力于提供一个高质量内容的交流平台。为落实国家互联网信息办公室“依法管网、依法办网、依法上网”的要求,为完善跟帖评论自律管理,为了保护用户创造的内容、维护开放、真实、专业的平台氛围,我们团队将依据本公约中的条款对注册用户和发布在本平台的内容进行管理。平台鼓励用户创作、发布优质内容,同时也将采取必要措施管理违法、侵权或有其他不良影响的网络信息。
一、根据《网络信息内容生态治理规定》《中华人民共和国未成年人保护法》等法律法规,对以下违法、不良信息或存在危害的行为进行处理。
1. 违反法律法规的信息,主要表现为:
1)反对宪法所确定的基本原则;
2)危害国家安全,泄露国家秘密,颠覆国家政权,破坏国家统一,损害国家荣誉和利益;
3)侮辱、滥用英烈形象,歪曲、丑化、亵渎、否定英雄烈士事迹和精神,以侮辱、诽谤或者其他方式侵害英雄烈士的姓名、肖像、名誉、荣誉;
4)宣扬恐怖主义、极端主义或者煽动实施恐怖活动、极端主义活动;
5)煽动民族仇恨、民族歧视,破坏民族团结;
6)破坏国家宗教政策,宣扬邪教和封建迷信;
7)散布谣言,扰乱社会秩序,破坏社会稳定;
8)宣扬淫秽、色情、赌博、暴力、凶杀、恐怖或者教唆犯罪;
9)煽动非法集会、结社、游行、示威、聚众扰乱社会秩序;
10)侮辱或者诽谤他人,侵害他人名誉、隐私和其他合法权益;
11)通过网络以文字、图片、音视频等形式,对未成年人实施侮辱、诽谤、威胁或者恶意损害未成年人形象进行网络欺凌的;
12)危害未成年人身心健康的;
13)含有法律、行政法规禁止的其他内容;
2. 不友善:不尊重用户及其所贡献内容的信息或行为。主要表现为:
1)轻蔑:贬低、轻视他人及其劳动成果;
2)诽谤:捏造、散布虚假事实,损害他人名誉;
3)嘲讽:以比喻、夸张、侮辱性的手法对他人或其行为进行揭露或描述,以此来激怒他人;
4)挑衅:以不友好的方式激怒他人,意图使对方对自己的言论作出回应,蓄意制造事端;
5)羞辱:贬低他人的能力、行为、生理或身份特征,让对方难堪;
6)谩骂:以不文明的语言对他人进行负面评价;
7)歧视:煽动人群歧视、地域歧视等,针对他人的民族、种族、宗教、性取向、性别、年龄、地域、生理特征等身份或者归类的攻击;
8)威胁:许诺以不良的后果来迫使他人服从自己的意志;
3. 发布垃圾广告信息:以推广曝光为目的,发布影响用户体验、扰乱本网站秩序的内容,或进行相关行为。主要表现为:
1)多次发布包含售卖产品、提供服务、宣传推广内容的垃圾广告。包括但不限于以下几种形式:
2)单个帐号多次发布包含垃圾广告的内容;
3)多个广告帐号互相配合发布、传播包含垃圾广告的内容;
4)多次发布包含欺骗性外链的内容,如未注明的淘宝客链接、跳转网站等,诱骗用户点击链接
5)发布大量包含推广链接、产品、品牌等内容获取搜索引擎中的不正当曝光;
6)购买或出售帐号之间虚假地互动,发布干扰网站秩序的推广内容及相关交易。
7)发布包含欺骗性的恶意营销内容,如通过伪造经历、冒充他人等方式进行恶意营销;
8)使用特殊符号、图片等方式规避垃圾广告内容审核的广告内容。
4. 色情低俗信息,主要表现为:
1)包含自己或他人性经验的细节描述或露骨的感受描述;
2)涉及色情段子、两性笑话的低俗内容;
3)配图、头图中包含庸俗或挑逗性图片的内容;
4)带有性暗示、性挑逗等易使人产生性联想;
5)展现血腥、惊悚、残忍等致人身心不适;
6)炒作绯闻、丑闻、劣迹等;
7)宣扬低俗、庸俗、媚俗内容。
5. 不实信息,主要表现为:
1)可能存在事实性错误或者造谣等内容;
2)存在事实夸大、伪造虚假经历等误导他人的内容;
3)伪造身份、冒充他人,通过头像、用户名等个人信息暗示自己具有特定身份,或与特定机构或个人存在关联。
6. 传播封建迷信,主要表现为:
1)找人算命、测字、占卜、解梦、化解厄运、使用迷信方式治病;
2)求推荐算命看相大师;
3)针对具体风水等问题进行求助或咨询;
4)问自己或他人的八字、六爻、星盘、手相、面相、五行缺失,包括通过占卜方法问婚姻、前程、运势,东西宠物丢了能不能找回、取名改名等;
7. 文章标题党,主要表现为:
1)以各种夸张、猎奇、不合常理的表现手法等行为来诱导用户;
2)内容与标题之间存在严重不实或者原意扭曲;
3)使用夸张标题,内容与标题严重不符的。
8.「饭圈」乱象行为,主要表现为:
1)诱导未成年人应援集资、高额消费、投票打榜
2)粉丝互撕谩骂、拉踩引战、造谣攻击、人肉搜索、侵犯隐私
3)鼓动「饭圈」粉丝攀比炫富、奢靡享乐等行为
4)以号召粉丝、雇用网络水军、「养号」形式刷量控评等行为
5)通过「蹭热点」、制造话题等形式干扰舆论,影响传播秩序
9. 其他危害行为或内容,主要表现为:
1)可能引发未成年人模仿不安全行为和违反社会公德行为、诱导未成年人不良嗜好影响未成年人身心健康的;
2)不当评述自然灾害、重大事故等灾难的;
3)美化、粉饰侵略战争行为的;
4)法律、行政法规禁止,或可能对网络生态造成不良影响的其他内容。
二、违规处罚
本网站通过主动发现和接受用户举报两种方式收集违规行为信息。所有有意的降低内容质量、伤害平台氛围及欺凌未成年人或危害未成年人身心健康的行为都是不能容忍的。
当一个用户发布违规内容时,本网站将依据相关用户违规情节严重程度,对帐号进行禁言 1 天、7 天、15 天直至永久禁言或封停账号的处罚。当涉及欺凌未成年人、危害未成年人身心健康、通过作弊手段注册、使用帐号,或者滥用多个帐号发布违规内容时,本网站将加重处罚。
三、申诉
随着平台管理经验的不断丰富,本网站出于维护本网站氛围和秩序的目的,将不断完善本公约。
如果本网站用户对本网站基于本公约规定做出的处理有异议,可以通过「建议反馈」功能向本网站进行反馈。
(规则的最终解释权归属本网站所有)