Un robot que construye un mapa de un edificio mientras se mueve tiene que etiquetar lo que ve, y un solo vistazo malo puede dejar una etiqueta errónea en su memoria para siempre. Un equipo del SPARK Laboratory del MIT, dirigido por Luca Carlone junto a los doctorandos Harry Zhang y Nicolas Gorlo, ha creado un sistema que detecta cuáles de esas etiquetas guardadas son probablemente erróneas y vuelve a corregirlas. El trabajo, UQ-DAAAM, se presentará en NeurIPS, y aborda un problema que importa mucho más allá del laboratorio: un robot doméstico o de almacén solo es tan útil como su registro de dónde están las cosas.
El sistema amplía el anterior DAAAM del grupo, que usa un modelo de visión y lenguaje para describir objetos y fija esas descripciones en un mapa 3D para que el robot pueda responder preguntas más tarde. Las descripciones hechas desde una vista lejana, borrosa, oscura o parcial suelen ser erróneas; el anuncio del MIT muestra una chimenea gris en un tejado descrita primero como una ardilla. UQ-DAAAM puntúa la incertidumbre de cada objeto combinando la confianza del modelo en sus propias palabras con lo mucho que discrepan las descripciones del mismo objeto desde distintos ángulos. Los objetos por encima de un umbral reciben vistas adicionales, elegidas por una regla que los autores demostraron capaz de escoger fotogramas útiles sin volver a ejecutar el modelo de visión, y un modelo de lenguaje fusiona después las descripciones seleccionadas, dando preferencia a las más recientes y claras.
Las cifras publicadas son alentadoras pero limitadas. El sistema resolvió la ambigüedad de alrededor del 92% de los objetos con solo dos descripciones adicionales por objeto, y sus descripciones fueron un 5% más precisas que las del mejor método anterior. El artículo en arXiv nombra un benchmark, OC-NaVQA, una prueba de preguntas sobre qué vio un robot, dónde y cuándo. La afirmación sobre la velocidad importa tanto como la precisión: Carlone dice que lo difícil fue lograr que la comprobación se ejecutara en una fracción de segundo en un robot en movimiento.
La lección general vale para cualquier producto basado en modelos de visión y lenguaje. Los chatbots se cubren con un aviso genérico de que pueden equivocarse; un robot que actúa sobre un objeto mal etiquetado no tiene ese colchón. Medir el desacuerdo entre varias respuestas es una forma conocida de estimar la incertidumbre en los modelos de lenguaje, y este trabajo la aplica a la memoria física con un presupuesto fijo de llamadas al modelo, que es lo que la hace utilizable en hardware real.
Quedan varias dudas. El artículo del MIT no nombra los robots ni los entornos usados, y el resumen no da cifras más allá de las principales, así que aún no se sabe cómo se comporta el método en espacios desordenados y cambiantes. El desfibrilador mal etiquetado del anuncio es un escenario para explicar lo que está en juego, no un caso probado. Una mejora del 5% en precisión es modesta, y los siguientes pasos que enumera el equipo, como los manipuladores móviles o dirigir al robot de vuelta a las zonas inciertas, siguen siendo planes.