jueves, 5 de noviembre de 202624°General Pico · 9° / 26°Dólar Oficial $1.570Dólar Blue $1.555Dólar MEP $1.588Dólar Tarjeta $2.041
Un sistema del MIT permite a robots corregir objetos mal identificados en su memoria
Investigadores del MIT crearon UQ-DAAAM, un método que mide la incertidumbre de un robot sobre lo que observó y corrige las descripciones erróneas de sus objetos. Según el equipo, podría mejorar la confiabilidad de robots domésticos e industriales.
Redacción PicoTecno
· Actualizada 5 de noviembre de 2026 a las 10:40
2 min de lectura
(MIT News)
Según informó MIT News, investigadores del Instituto Tecnológico de Massachusetts (MIT) desarrollaron un sistema de memoria para robots que detecta registros que podrían ser incorrectos y corrige la descripción de objetos mal etiquetados. El artículo pone como ejemplo un asistente robótico que, en una emergencia, debe buscar un desfibrilador de pared. Si el robot guardó ese equipo como un extintor, no sabría dónde encontrarlo.
La propuesta se llama UQ-DAAAM, sigla de "Uncertainty Quantification for Describe Anything, Anywhere, at Any Moment". El sistema compara varias descripciones de un mismo objeto, obtenidas desde distintos puntos de vista, para estimar cuánto duda el robot sobre lo que vio. Luego elige nuevas vistas que reduzcan esa duda y combina las descripciones en una versión más precisa, que guarda en la memoria.
El trabajo parte de DAAAM, un sistema previo que usa un modelo de visión y lenguaje (VLM, por sus siglas en inglés) para describir con detalle los objetos que capturan las cámaras del robot. Esas descripciones se almacenan en un mapa tridimensional del entorno. El problema aparece cuando el robot ve un objeto solo parcialmente, desde lejos o con imágenes borrosas o mal iluminadas. En esos casos, el sistema puede equivocarse, como al confundir una chimenea gris con una ardilla posada en un techo.
UQ-DAAAM funciona en varios pasos. Primero calcula qué tan seguro está el VLM de las palabras que generó. Después mide la consistencia comparando esa descripción con las de imágenes del mismo objeto tomadas desde otros ángulos. Ambas fuentes de incertidumbre se unifican en un único valor. Si ese valor supera un umbral, el sistema refina la descripción usando más imágenes, elegidas con una regla simple que indica cuáles reducen más la duda. Según los investigadores, pudieron demostrar matemáticamente que esa regla encuentra buenos cuadros sin volver a ejecutar el VLM, lo que reduce mucho el cálculo necesario. El desafío, según Luca Carlone, profesor asociado del Departamento de Aeronáutica y Astronáutica del MIT, era que todo corriera en fracciones de segundo mientras el robot se mueve.
Una vez identificadas las descripciones adicionales, un modelo de lenguaje de gran tamaño (LLM, por sus siglas en inglés) las fusiona en una única descripción, dando más peso a las más nuevas y menos ambiguas. De acuerdo con el artículo, este paso resuelve las ambigüedades de cerca del 92 % de los objetos del entorno, con solo dos descripciones adicionales por objeto, y mejora en un 5 % la precisión frente al estado del arte. Además, el sistema respondió mejor preguntas sobre qué objetos vio, dónde estaban y cuándo los observó por última vez que los métodos de referencia.
Los autores del trabajo son Luca Carlone, Harry Zhang y Nicolas Gorlo, estos dos últimos estudiantes de posgrado del MIT. La investigación será presentada en la conferencia NeurIPS. Carlone sostuvo que, en la IA física, no alcanza con advertir que el robot puede equivocarse, sino que necesita saber qué no sabe para poder desplegarse de manera segura.
A futuro, el equipo quiere aplicar UQ-DAAAM a otros tipos de robots, como los manipuladores móviles, y extender sus técnicas de cuantificación de incertidumbre a otros campos. Según la fuente, también estudian usar el método para identificar zonas del mapa con alta incertidumbre.
