MétaCan
Menu
Retour à la cohorte
Enregistrement W4415184565 · doi:10.36227/techrxiv.176049757.72015578/v1

Lightweight Adaptation of Large Language and Vision Models in Robotics

2025· preprint· en· W4415184565 sur OpenAlexaff
Cheng Zhihao, Shufen Zhihao, Jiahao Wang, Sun Qian

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineComputer Science
ThématiqueMultimodal Machine Learning Applications
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésRoboticsAdaptation (eye)Machine visionRobotFoundation (evidence)Field (mathematics)

Résumé

récupéré en direct d'OpenAlex

The rapid proliferation of large-scale multimodal foundation models, combining state-of-the-art language and vision representations, has ushered in unprecedented capabilities for perception, reasoning, and decision-making in complex environments. These models, commonly referred to as multimodal large language and vision models (LLVMs), are pretrained on massive heterogeneous datasets and demonstrate remarkable generalization across a variety of downstream tasks. However, their sheer scale-often encompassing billions of parameters-poses formidable challenges for deployment in resource-constrained and real-time systems, such as autonomous robots, where memory, computational throughput, and energy budgets are tightly limited. Parameter-efficient fine-tuning (PEFT) has emerged as a pivotal paradigm to address this bottleneck, enabling task-specific adaptation by modifying only a small subset of model parameters, or by introducing compact auxiliary modules, while leaving the majority of the pretrained weights frozen. By doing so, PEFT maintains the extensive knowledge encoded in the foundational model while drastically reducing both computational and storage overheads, facilitating rapid adaptation to new robotic tasks, environments, and user instructions. This review provides a comprehensive survey of the state-of-the-art PEFT methodologies, including low-rank adaptation (LoRA), adapter modules, prompt tuning, prefix tuning, and hybrid approaches, with a focus on their application to multimodal LLVMs in robotics. We explore the mathematical underpinnings of these techniques, formalizing their parameter constraints, forward-pass computations, and optimization strategies, and we illustrate their integration into robotic perceptionto-action pipelines using schematics and comparative tables. Special emphasis is placed on applications across vision-language navigation, robotic manipulation, and human-robot interaction, highlighting how PEFT facilitates few-shot learning, continual adaptation, and multi-modal reasoning without the need for full-model retraining. Furthermore, we discuss critical challenges, including distributional shifts between pretraining and operational domains, real-time inference constraints, interpretability, safety, and verification, while outlining promising future directions such as hierarchical modular adaptation, online learning, and embodied pretraining to bridge these gaps. Overall, PEFT provides a principled and practical framework for harnessing the immense capabilities of multimodal LLVMs in robotics, enabling autonomous systems that are adaptable, efficient, and capable of integrating complex multimodal knowledge into actionable, real-world behavior.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,016
Tête enseignante GPT0,322
Écart entre enseignants0,306 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMultimodal Machine Learning ApplicationsTravaux en français237 207