MotorMind: Scaffolding General Vision Language Models for Zero-Shot Robot Manipulation
Aggiunta all'archivio di AIChronos il (numero del 5 ottobre 2026 ricostruito)· fonte del · Bingxuan Li, Siqi Song, Yizhuo Wu, Jiarui Yao, Tong Zhang, Huan Zhang (University of Illinois at Urbana-Champaign)
MotorMind è un framework che permette a modelli Vision-Language (VLM) generici di operare robot senza addestramento specifico o agenti esterni. Il sistema collega azioni mid-level proposte dal VLM al controllo deterministico del robot, utilizzando monitoraggio asincrono e aggiornamenti della memoria in background. Questo approccio supera i metodi zero-shot precedenti su suite come LIBERO-PRO raggiungendo il 66.7% di successo senza ricorrere a tool di grounding esterni o policy apprese.
- MotorMind elimina la necessità di agenti di codifica, esperti d'azione appresi e strumenti di grounding specifici (es. SAM3).
- Il sistema raggiunge il 95% di successo medio su un robot xArm6 reale in scenari con perturbazioni umane.
- Le prestazioni migliorano sostituendo lo backbone VLM con modelli più potenti, riducendo i fallimenti legati al ragionamento embodied e alla conoscenza delle azioni.
- L'architettura supporta l'adattamento continuo ai feedback di esecuzione senza ri-addestrare la policy.
Perché conta. ['Permette agli sviluppatori di sfruttare direttamente i progressi dei VLM generici per il controllo robotico, evitando costi e complessità legati a modelli esterni.', "Rende fattibile l'implementazione di agenti autonomi che ragionano sulle osservazioni visive senza dipendere da infrastrutture specializzate."]
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.