突破开放世界移动操作！首个室内移动抓取多模态智能体亮相，微调模型真实环境零样本动作准确率达 90%

作者


在家庭服务机器人领域，如何让机器人理解开放环境中的自然语言指令、动态规划行动路径并精准执行操作，一直是学界和工业界的核心挑战。


近日，上海人工智能实验室联合新加坡国立大学、香港大学等机构的研究团队，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，首次实现了全局场景理解、机器人状态跟踪和多模态动作生成的统一建模。


同时该工作通过仿真器合成智能体轨迹数据，微调了针对该任务的多模态大模型 OWMM-VLM，在真实环境测试下，该模型零样本单步动作预测准确率达 90%。



  • 论文链接：https://arxiv.org/pdf/2506.04217

  • Github 主页：https://github.com/HHYHRHY/OWMM-Agent



一、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，往往需要依赖预先构建的场景 3D 重建或者语义地图，不仅耗时且难以应对动态环境。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，理解整个场景的布局和物体信息。

  • 具身决策闭环：实时跟踪机器人状态（如当前位置、长续任务执行状态），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、抓取物体坐标等）。


二、OWMM-Agent：用 VLM 重构机器人 “大脑”


研究团队提出的 OWMM-Agent 架构，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，多图推理和定位 (Grounding) 问题，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。


  • 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），构建全局场景理解能力，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，正接近目标位置”），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，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），不依赖预定义策略技能库。 


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，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，通过 PDDL 语言定义任务流程，自动生成 OWMM episodes。最终数据集基于 143 个仿真场景，157 种可抓取物体和 1471 个容器，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，机器人状态，PDDL 世界状态），标注多图像 – 文本 – 动作对，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、引入机器人第一视角图像，增强数据多样性和语义接地能力。     


团队利用仿真合成的多模态数据，基于 Intern-VL 2.5 8B/38B 微调得到用于 OWMM 的专用模型 OWMM-VLM。


图 2： OWMM-VLM 模型


三、实验验证：模拟与真实环境双突破


在模拟环境中，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，380 亿参数的 OWMM-VLM-38B 模型准确率分别达 97.85%、87.54% 和 88%，远超 GPT-4o（48.53%、46.46%、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，OWMM-VLM-38B 在整个 OWMM 长序移动抓取任务成功率达 21.9%，且零死循环；而基线模型由于大量幻觉和误差累积，成功率低于 1%，且频繁陷入死循环。


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，模型仅通过模拟数据训练，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）。例如，在 “将豆奶盒从书桌移至会议桌” 任务中，模型准确检索目标位置、规划导航路径，并生成机械臂抓取坐标，展现出强泛化能力。在真机部署实验中，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，并迁移到 OWMM-Agent 框架中。


四、未来展望：迈向通用家庭机器人


该研究首次证明，通过大规模模拟数据微调的 VLM 模型，可成为开放世界移动操作的通用基础模型。同时这篇工作也存在局限性，当前方法假设有一个相对理想的环境重建，并假设目标任务相关的观测已经在记忆中，且对复杂机械臂（如多指手）的控制能力有限。


随着老龄化社会对服务机器人需求的激增，OWMM-Agent 的突破为 “会听、会看、会做” 的通用家庭助手奠定了关键技术基础。或许在不久的将来，我们真能迎来 “一句话指挥机器人完成家务” 的智能生活。


©

（文：机器之心）

发表评论