Wissenschaftler des Massachusetts Institute of Technology (MIT) haben ein neues KI-System namens UQ-DAAAM vorgestellt, das es Robotern ermöglicht, Fehler in ihrem eigenen Speicher eigenständig zu identifizieren und zu korrigieren. Die Technologie hilft Maschinen dabei, ungenaue Beschreibungen von Objekten in ihrer Umgebung zu erkennen, deren Echtheit zu bewerten und fehlerhafte Daten zu überschreiben, bevor diese künftige Entscheidungen des Roboters beeinflussen. Die Entwicklung zielt darauf ab, eines der Hauptprobleme autonomer Systeme zu lösen: die Ansammlung von „Müll“-Daten in dreidimensionalen Speicherkarten, die das Verhalten der Maschine mit der Zeit verzerren.

Das Problem: Wie eine KI sich an Dinge „erinnert“, die nie passiert sind

Die Forscher des MIT erklärten, dass frühere Versionen von Objekterkennungssystemen vor ernsthaften Schwierigkeiten stehen, wenn Gegenstände nur teilweise im Bild sind, sich in großer Entfernung von der Kamera befinden oder bei schlechter Beleuchtung aufgenommen wurden. In solchen Situationen generiert die Künstliche Intelligenz inkorrekte Beschreibungen, die ohne einen Selbstkorrekturmechanismus für immer in der 3D-Speicherkarte des Roboters verbleiben und alle nachfolgenden Entscheidungen und Antworten beeinflussen. Als anschauliches Beispiel nannten die Wissenschaftler einen Fall, in dem das System fälschlicherweise ein graues Rohr auf einem Gebäudedach als Eichhörnchen identifizierte. Ohne die Möglichkeit, diesen Eintrag zu überarbeiten, würde der Roboter sich weiterhin an die Existenz eines Nagetiers an einer Stelle erinnern, an der nie eines war.

Wie UQ-DAAAM funktioniert: Zwei Kriterien und ein einziger Unsicherheitswert

Der neue Algorithmus misst das Vertrauensniveau des Robotersystems in die generierten Beschreibungen anhand von zwei Kriterien und fasst die Daten dann zu einem einzigen Unsicherheitswert zusammen. Übersteigt dieser Wert einen festgelegten Schwellenwert, markiert das System den entsprechenden Eintrag automatisch als fragwürdig und startet einen Prozess der Verfeinerung. Der grundlegende Unterschied zwischen UQ-DAAAM und früheren Ansätzen besteht darin, dass der Algorithmus nicht alle Bilder verarbeitet, sondern eine mathematische Methode verwendet, um nur jene zusätzlichen Blickwinkel auszuwählen, die am effektivsten zur Beseitigung der Unsicherheit beitragen können. Dies reduziert die Rechenlast des Roboters während der Bewegung erheblich, was für autonome Plattformen mit begrenzter Energie und Prozessorleistung entscheidend ist.

Die Rolle großer Sprachmodelle bei der Datenüberprüfung

Nach der Auswahl optimaler zusätzlicher Bilder kommt ein großes Sprachmodell (LLM) zum Einsatz, das eine aktualisierte Bildunterschrift für das Objekt erstellt. Das Modell bevorzugt neuere und weniger zweideutige Beobachtungen, woraufhin der verfeinerte Eintrag im Speicher des Roboters gespeichert und der alte fehlerhafte Eintrag ersetzt wird. Auf diese Weise schafft das System einen geschlossenen Kreislauf: Erkennung von Unsicherheit → gezieltes Sammeln zusätzlicher Daten → Neusynthese der Beschreibung → Speicheraktualisierung. Dies macht den Speicher des Roboters „lebendig“ und selbstreparierend, anstatt ihn zu einem statischen Archiv erster Eindrücke zu machen.

Ergebnisse der Labortests

Während der Labortests konnte der Selbstkorrekturprozess die Unsicherheit für 92 Prozent der Objekte in der Arbeitsumgebung des Roboters eliminieren. Dabei benötigte das System durchschnittlich nur zwei zusätzliche Bildunterschriften pro Objekt, was die hohe Effizienz des Algorithmus zur Auswahl der Blickwinkel bestätigt. Der Einsatz von UQ-DAAAM verbesserte die Genauigkeit der Objekterkennung im Vergleich zu bestehenden Analoga um 5 Prozent und verbesserte zudem die Qualität der Antworten des Roboters auf Fragen nach dem Standort von Gegenständen und dem Zeitpunkt des letzten Kontakts mit ihnen. Diese Kennzahlen sind nach Einschätzung der Entwickler für alle Szenarien von praktischer Bedeutung, in denen ein Roboter in einer sich verändernden Umgebung präzise navigieren muss.

Perspektiven: Von stationären Plattformen zu mobilen Manipulatoren

In Zukunft planen die Entwickler, das UQ-DAAAM-System an mobile Robotermanipulatoren anzupassen und Robotern beizubringen, selbstständig in Zonen mit hoher Unsicherheit zurückzukehren, um qualitativ hochwertigere Fotos aufzunehmen. Dies ebnet den Weg für die Schaffung voll autonomer Plattformen, die sich nicht nur in unbekannten Umgebungen bewegen, sondern auch ihr eigenes Verständnis von ihnen ohne menschliches Eingreifen kontinuierlich verfeinern können. Die Technologie ist potenziell in der Logistik, im Bauwesen, in der Medizin und in der allgemeinen Robotik einsetzbar, wo die Genauigkeit des räumlichen Gedächtnisses die Sicherheit und Effizienz der Maschinenarbeit direkt bestimmt.