清華、中南開源3D交互實體AI Agent LEGENT
我們常見的AI Agent都是無法看到實體的，例如，RPA、智能按鍵精靈、AutoGPT等。雖然它們可以自動完成一些日常工作，但你是無法看到其真實身體。
清華大學(xué)、中南大學(xué)的研究人員聯(lián)合開源了一款可視化3D交互實體AIAgent模型LEGENT，使用戶可以在3D虛擬空間中與實體AI代理進行互動。
「AIGC開放社區(qū)」通過在線demo體驗了一下這個代理，非常有趣就像是玩一款游戲一樣。只需發(fā)送特定指令就可以讓AI做一些日常動作，例如，把汽車玩具放在書本上；把地上的筆撿起來給你等。
LEGENT主要由場景、智能體（Agent）和界面三大塊組成，同時融入了大語言模型和多模態(tài)模型，以便更好地理解用戶的文本指令。
LEGENT的場景模塊通過基于游戲引擎的實時物理模擬，為智能體的學(xué)習(xí)和決策提供一個逼真的3D環(huán)境。這包括精確模擬的重力、摩擦力和碰撞動力學(xué)，使得智能體能夠更加自然地與環(huán)境互動，為學(xué)習(xí)和決策提供了必要的物理信息。
場景中的3D對象不僅有逼真的視覺效果，還能夠進行復(fù)雜的交互操作。例如，智能體可以抓取、搬運、放置和與這些對象互動，包括動態(tài)結(jié)構(gòu)如門和抽屜的操作。這種高度的交互性為智能體提供了豐富的操作體驗，是學(xué)習(xí)和模擬現(xiàn)實世界任務(wù)的任務(wù)。
此外，研究人員還為場景模塊設(shè)計了靈活的可擴展性，允許開發(fā)人員導(dǎo)入自定義的3D對象，包括用戶設(shè)計的模型、現(xiàn)有數(shù)據(jù)集的對象，以及通過生成模型創(chuàng)建的對象，方便應(yīng)用在不同的業(yè)務(wù)場景中。
為了使LEGENT的智能體更具備擬人化的能力，研究人員加入了很多智能化功能。
LEGENT的智能體具備“自我中心視覺”特性，類似于人類通過自己的眼睛觀察世界。這種視覺系統(tǒng)使智能體能夠從第一人稱視角捕捉環(huán)境信息，為執(zhí)行任務(wù)提供了直觀的視覺輸入。
在視覺的幫助下，使智能體能夠執(zhí)行一系列預(yù)定義的動作，例如，導(dǎo)航、物體操縱和通信。這些動作可以幫助智能體快速適應(yīng)不同的新環(huán)境，甚至是真實世界的場景中，并且動作是連續(xù)性的操作，例如，移動一定距離或旋轉(zhuǎn)特定角度，而不是簡單的離散動作。
為了幫助用戶更好地操作與智能體交流，研究人員將LEGENT的UI設(shè)計得像視頻小游戲一樣直觀，可以通過鍵盤和鼠標(biāo)直接與智能體和環(huán)境進行指令交互。
此外，LEGENT還提供了場景生成和行為軌跡生成的界面。場景生成界面支持程序生成和語言指導(dǎo)生成兩種方式,用戶可以使用JSON格式輕松定制場景。
行為軌跡生成界面則專門為訓(xùn)練大型多模態(tài)模型而設(shè)計,能夠高效生成包括第一人稱視覺觀測和對應(yīng)動作的訓(xùn)練數(shù)據(jù)集。
LEGENT的部署非常簡單、高效可以在普通PC上運行，無需特定的硬件要求或復(fù)雜的配置。還支持與遠程服務(wù)器的連接，便于訓(xùn)練和部署增強其可訪問性。
開源地址：https://github.com/thunlp/LEGENT?tab=readme-ov-file
論文地址：https://arxiv.org/abs/2404.18243
本文轉(zhuǎn)自 AIGC開放社區(qū) ，作者：AIGC開放社區(qū)
