1、前言
ManipLLM通过引入多模态大语言模型的推理能力,增强了机器人在复杂操作任务中的稳定性和泛化能力。研究的重点是通过微调适配器,保留MLLM的常识推理能力,并赋予其操作能力。该模型通过结合对象类别理解、可操作区域推理和对象姿态预测,实现了在多种场景下的物体操作。
文章是通过对LLM的微调来完成这件事的,那为什么一定要微调呢?现在“无所不能”的GPT4可以完成这件事么?我们做了下面的测试:
可以发现GPT4虽然很”全能“,但在这种比较垂类的任务上表现还不太好,一方面是没有办法利用深度图,另一方面是没在这样的任务上专门微调过。
那本文提出的ManipLLM具体可以完成什么事呢?如图1所示,基于RGBD数据,微调过后的LLM可以给出抓取点的位置及移动的方向,基于这样的回答,机械臂就可以完成抓取和相应的操作任务,一定程度上可以解决机械臂操作泛化性的问题。
2、方法介绍
总的来说本文采用LLaMa-Adapter的方式,在visualencoder及LLaMAfreezed的情况下,分不同的层次的目标进行微调。这样既保留了MLLM的强大推理能力,又为其注入了操作能力。模型依靠多层次的任务逐步学习,从对象类别级别逐渐到区域级别、再到姿态级别,最终能够生成精确的末端执行器姿态用于物体操作。ManipLLM方法的结构如图2所示。
我们将文中提到的不同层次的任务目标总结如下:
1)对象类别识别(ObjectCategoryIdentification,OCI):
-
任务:模型需要理解目标对象的类别。由于不同类别的物体具有相似的几何属性,类别识别可以帮助后续的操作任务。
-
输入:RGB图像和文本提示,提示模型识别图像中的物体类别。
-
输出:对象类别标签。
-
目的:帮助模型在后续任务中提取类别特定的操作特征。
2)可操作区域推理(AffordancePriorReasoning,APR):
-
任务:模型通过分析物体的几何结构,识别物体的哪些部分可以操作,哪些部分不可操作。
-
输入:基于物体的像素坐标,模型要预测在这些点上操作是否会导致物体移动(即物体的“可操作性”)。
-
输出:对每个像素的“是/否”判断,表明该区域是否可以通过操作进行移动。
-
目的:帮助模型在物体上确定可以操作的具体区域。
3)掩码语言模型(MaskedLanguageModeling,MLM):
-
任务:模型在输入的文本提示中填补缺失的信息,例如接触点和抓取器方向。
-
输入:带有部分坐标或方向信息缺失的文本提示。
-
输出:模型生成的完整的接触点和方向信息。
-
目的:促进模型准确预测操作的接触位置和方向。
4)微调操作任务(Finetuning,FT):
-
任务:模型根据输入的RGB图像和文本提示,生成用于操纵物体的末端执行器姿态,包括接触点和抓取器方向。
-
输入:图像和文本提示,例如“指定抓取物体的接触点和抓取器方向”。
-
输出:接触点(x,y,z)和抓取器的上方向(xu,yu,zu)以及前方向(xf,yf,zf)。
-
目的:赋予模型生成精确的末端执行器姿态的能力。
这种微调方法结合了物体的类别知识、几何结构、可操作性区域和具体操作姿态的预测,使模型可以在不同的场景中进行稳健和可解释的机器人操作。
3、实验结果
在实验结果上,本文在多种类别上比较了多个方法,结果如下表所示,总的来说达到SOTA。
作者在微调后的vlm上验证了CoT的结果,也取得了比较好的效果。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。