PaLM-E: An Embodied Multimodal Language Model

Google Research发表的论文，提出PaLM-E，一种具身多模态语言模型。该方法将视觉、语言、动作等多模态信息输入到语言模型中，从而实现机器人的多模态理解和控制，在多个机器人操作任务中展现了强大的性能，是具身智能和多模态大模型领域的里程碑式进展。arXiv:2303.03378。