Perquè un robot pugui respondre preguntes com «on són les claus?» o «quan vas veure per última vegada la caixa vermella?», ha de construir una memòria del lloc on es mou. Molts sistemes actuals ho fan amb un model que combina visió i llenguatge i que escriu una descripció breu de cada objecte que la càmera capta, situada en un mapa en tres dimensions. El problema és que aquestes descripcions poden ser errònies o canviar segons des d'on es mira l'objecte, i el robot no sap distingir les que són fiables de les que no ho són.
Un equip del laboratori SPARK de l'Institut de Tecnologia de Massachusetts (MIT), encapçalat pels doctorands Harry Zhang i Nicolas Gorlo i pel professor Luca Carlone, ha desenvolupat UQ-DAAAM, una extensió del seu sistema de memòria anterior. El mètode calcula dues coses per a cada objecte: quina confiança té el model en la seva pròpia descripció i fins a quin punt coincideixen les descripcions fetes des de punts de vista diferents. Les combina en una sola puntuació d'incertesa i, si supera un llindar, tria quines vistes noves de l'objecte convé aprofitar; després, un model de llenguatge fusiona les descripcions i dona més pes a les més recents i menys ambigües. Segons els autors, el sistema funciona en temps real en un robot en moviment, resol l'ambigüitat en un 92% dels objectes amb només unes dues descripcions addicionals per objecte i millora un 5% la precisió de les descripcions respecte dels millors mètodes actuals.
L'interès del treball és que dona al robot una cosa que sovint falta als sistemes d'IA: saber quan no sap. Els autors acompanyen el mètode de garanties probabilístiques, i un robot que reconeix els seus dubtes pot evitar respostes falses i decidir revisar una zona abans d'actuar, una qualitat important per a robots domèstics, de magatzem o d'assistència. L'article es presentarà al congrés NeurIPS, una de les grans trobades de la recerca en aprenentatge automàtic, que revisa els treballs abans d'acceptar-los.
Els resultats publicats tenen límits. La nota de l'MIT no detalla quant milloren les respostes a preguntes respecte dels sistemes de comparació ni si el 5% de millora és absolut o relatiu, i el mètode depèn que el robot es mogui i pugui veure cada objecte des de més d'un angle. Els investigadors volen provar-lo ara en altres tipus de robots, com els que es desplacen i manipulen objectes, i fer servir la incertesa perquè el robot decideixi sol on ha de tornar a mirar.