Учёные Массачусетского технологического института (MIT) представили новую систему искусственного интеллекта под названием UQ-DAAAM, которая позволяет роботизированным устройствам самостоятельно выявлять и исправлять ошибки в собственной памяти. Технология помогает машинам обнаруживать неточные описания окружающих предметов, оценивать их подлинность и переписывать ошибочные данные ещё до того, как они повлияют на дальнейшие решения робота. Разработка направлена на решение одной из ключевых проблем автономных систем — накопления «мусорных» данных в трёхмерных картах памяти, которые со временем искажают поведение машины.
Проблема: как ИИ «помнит» то, чего не было
Исследователи MIT объяснили, что предыдущие версии систем распознавания объектов сталкиваются с серьёзными трудностями в условиях, когда предметы попадают в кадр лишь частично, находятся на большом расстоянии от камеры или сняты при плохом освещении. В таких ситуациях искусственный интеллект генерирует некорректные описания, которые без механизма самокоррекции навсегда остаются в трёхмерной карте памяти робота и влияют на все его последующие решения и ответы. В качестве наглядного примера учёные привели случай, когда система ошибочно идентифицировала серую трубу на крыше здания как белку. Без возможности пересмотра этой записи робот продолжал бы «помнить» о существовании грызуна в точке, где его никогда не было.
Как работает UQ-DAAAM: два критерия и единый балл неопределённости
Новый алгоритм измеряет уровень уверенности роботизированной системы в сгенерированных описаниях по двум критериям, после чего полученные данные объединяются в единый показатель неопределённости. Если этот балл превышает установленный порог, система автоматически обозначает соответствующую запись как сомнительную и запускает процесс уточнения. Принципиальное отличие UQ-DAAAM от прежних подходов заключается в том, что вместо обработки абсолютно всех кадров алгоритм использует математический метод выбора только тех дополнительных ракурсов, которые способны наиболее эффективно устранить неопределённость. Это позволяет существенно снизить нагрузку на вычислительные ресурсы робота во время движения, что критически важно для автономных платформ с ограниченной энергией и процессорной мощностью.
Роль больших языковых моделей в перепроверке данных
После выбора оптимальных дополнительных изображений в работу вступает большая речевая модель (LLM), которая формирует обновлённую подпись для объекта. Модель предпочитает более свежие и наименее неоднозначные наблюдения, после чего уточнённая запись сохраняется в памяти робота, заменяя прежнюю ошибочную. Таким образом, система создаёт замкнутый цикл: обнаружение неопределённости → целенаправленный сбор дополнительных данных → пересинтез описания → обновление памяти. Это делает память робота «живой» и самовосстанавливающейся, а не статичным архивом первых впечатлений.
Результаты лабораторных испытаний
В ходе лабораторных испытаний процесс самокоррекции позволил устранить неопределённость для 92 процентов объектов в рабочем окружении робота. При этом системе потребовалось в среднем всего по две дополнительные подписи на каждый объект, что подтверждает высокую эффективность алгоритма выбора ракурсов. Использование UQ-DAAAM повысило точность распознавания объектов на 5 процентов по сравнению с существующими аналогами, а также улучшило качество ответов робота на вопросы о расположении предметов и времени последнего контакта с ними. Эти показатели, по оценке разработчиков, имеют практическое значение для любых сценариев, где робот должен точно ориентироваться в изменяющейся среде.
Перспективы: от стационарных платформ к мобильным манипуляторам
В будущем разработчики планируют адаптировать систему UQ-DAAAM для мобильных роботизированных манипуляторов, а также научить роботов самостоятельно возвращаться в зоны с высокой неопределённостью для сбора более качественных фотографий. Это откроет путь к созданию полностью автономных платформ, способных не только перемещаться в незнакомой среде, но и непрерывно уточнять собственное представление о ней без участия оператора. Технология потенциально применима в логистике, строительстве, медицине и робототехнике общего назначения, где точность пространственной памяти напрямую определяет безопасность и эффективность работы машины.
