Robotların Bulanık Hafızası Aydınlatılıyor.

Yeni bir sistem, robotun belleğinde saklanan güvensiz nesne betimlemelerini tespit eder ve düzeltir; böylece robotun çevresiyle etkileşim kurma yeteneğini artırır.

Adam Zewe

|

MIT News

Yayın Tarihi

Basın İlişkileri:

Abby

Abazorius

E-posta:

Telefon:

617-253-2709

MIT News Ofisi

Medya İndirme

↓

↓

Başlık Metni

“Bir robota bilmediğini bilmesini sağlamak, bu teknolojinin güvenle yaygınlaşması ve toplum üzerinde olumlu bir etki yaratması için temel önem taşır,” diyor Luca Carlone.

Kaynak

Kaynak: MIT News; Getty Images

Başlık Metni

Robot bir ortamda ilerlerken, yerleşik kameralarıyla birden fazla fotoğraf çeker. Solda, çatı üzerindeki koyu bir nesnenin üç görünümü var. Sistem başta nesneye dair doğru bir betimleme yapamayacağını belirtiyor ve ardından nesneyi hatalı biçimde sincap olarak tanımlıyor. İlerledikçe robot belirsizlik nicelendirmeyi birleştirerek görüşü iyileştiriyor ve nesnenin “hafifçe daralan bir üste ve pürüzsüz bir yüzeye sahip koyu gri, silindirik bir bacası olduğunu” söylüyor.

Kaynak

Kaynak: Araştırmacıların sağladığı görsel

Kritik bir durumda, bir insan ileride bir robotik asistandan koridordan bir yerdeki kalp piliştericiyi getirmesini isteyebilir. Ancak robot, kalp piliştericiyi belleğinde hatalı biçimde bir yangın söndürme aleti olarak etiketlemişse, can kurtaran cihazın nerede olduğunu bilmeyebilir.

Bu robotik asistan, MIT araştırmacıları tarafından geliştirilen yeni bir bellek sisteminden faydalanabilir. Sistem, robotun belleğinde hatalı olabilecek girdileri tespit eder ve yanlış etiketlenmiş nesnelerin betimlemelerini düzeltir.

Gelecekte bu yöntem, ev ya da endüstriyel robotların yemek salonu masasını kaldırmak ya da bir makine parçası monte etmek için insan işbirlikçileriyle birlikte karmaşık, çok adımlı görevleri yerine getirme yeteneğini artırabilir.

Belirsizlik Nicelendirmesi (Describe Anything, Anywhere, at Any Moment için) anlamına gelen UQ-DAAAM adlı sistem, aynı nesneye farklı açılardan bakılarak elde edilen birden fazla açıklamayı karşılaştırır ve robotun ne gördüğüne dair belirsizliğini nicelendirir.

Ardından belirsizliği azaltmak için ek açıları seçer ve bu açıklamaları birleştirerek nesneye dair daha doğru bir tanımlama oluşturur; bunu da hafızaya kaydeder.

Araştırmacılar, bu süreci akıcı hale getirmek için mobil bir robotun belirsiz hafıza kayıtlarını gerçek zamanlı olarak güncelleyebilmesini sağlayan özel bir teknikle de çalıştı.

Temel yöntemlerle karşılaştırıldığında, UQ-DAAAM robotun özgüvenini artırdı ve nesnelere, konumlarına ve onları ne zaman gördüğüne dair sorulara verdiği yanıtların doğruluğunu iyileştirdi.

ChatGPT’nin aksine, fiziksel yapay zekâ düşündüğümüzde, yalnızca robotun bazen yanılabileceğine dair bir uyarı içeren bir açıklama eklemek yeterli değildir. Bir robotun bilmediğini bilmesini sağlamak, bu teknolojinin güvenle yaygınlaştırılması ve toplum üzerinde olumlu bir etki yaratması için hayati önem taşıyacak; bu da MIT Havacılık ve Uzay Mühendisliği Bölümü (AeroAstro) yardımcı profesörü, Bilgi ve Karar Sistemleri Laboratuvarı (LIDS) baş araştırmacısı, MIT SPARK Laboratory direktörü ve UQ-DAAAM’i sunan makalenin kıdemli yazarı Luca Carlone’ın sözleri.

Makalede ona eşlik eden ortak baş araştırmacılar ve MIT yüksek lisans öğrencileri Harry Zhang ve Nicolas Gorlo. Araştırma, Bilgi İşleme Sistemleri Konferansında (Neural Information Processing Systems) sunulacak.

Hafızanın düzeltilmesi

Bu yeni yöntem, araştırmacıların önceki çalışması DAAAM’ın üzerine inşa ediliyor; DAAAM, robotun yerleşik kameralarıyla çektiği sahnelerdeki nesneleri zengin biçimde tanımlayan bir görüntü-dil modeli (VLM) kullanan bir robot hafızası sistemidir. Bu açıklamalar, robotun ortamının 3B harita tabanlı bir temsiline ayrıntılı açıklamalar olarak kaydedilir ve daha sonra soruları yanıtlamak için buna başvurabilir.

Ancak robot bazen nesneleri yalnızca kısmen ya da uzaktan görebilir; kamerası da bulanık ya da iyi aydınlatılmamış görüntüler yakalayabilir. Bu tür durumlarda DAAAM, bu nesneleri yanlış tanımlayabilir; örneğin gri bir bacayı, çatı üzerinde oturan bir sincap sanabilir.

“Kendini düzeltme imkânı olmadığından, bu yanlış bellek robot ortam içinde ilerledikçe varlığını sürdürür ve bu da aşağı aşamada kullanılan uygulamaları etkileyebilir,” diyor Zhang.

UQ-DAAAM, belirsizlik nicelendirmeyi DAAAM çerçevesine entegre eder. Bu sayede robot, nesne tanımlarının doğruluğundaki güveni ölçebilir ve ortam içinde ilerlerken hatalı açıklamaları düzeltebilir.

Robot hareket halindeyken sürekli olarak etrafındaki dünyanın görüntülerini toplar ve saklar. Bu görüntülerin çoğu, aynı nesnelerin farklı açılardan yakalanmış hâlleridir. UQ-DAAAM, bu ek görüş açılarını güvenilir olmayan açıklamaları belirlemek ve düzeltmek için kullanır.

Öncelikle, potansiyel olarak yanlış etiketlenmiş bir nesneyi betimlemek için VLM’nin ürettiği sözcülere dair güvenirlik düzeyini hesaplar. Ardından, bu açıklamayı aynı nesneyi farklı görüş noktalarından betimleyen görüntülerin açıklamalarıyla karşılaştırarak tutarlılığı ölçer.

“Belirsizliğin iki kaynağını, VLM’nin nesneye dair genel anlayışındaki kesinliği yakalayan tek bir sayıya birleştiriyoruz,” diye açıklar Carlone.

Bu sayı belirli bir eşiği aşarsa, belirsizlik fazla yüksek demektir ve UQ-DAAAM, nesneye dair ek görüntüleri kullanarak açıklamayı iyileştirir.

Bunu, robotun nesneye dair belirsizliğini azaltacak ek görüş açılarını belirleyen bir sezgisel kural, yani basit bir kural kullanarak yapar. Örneğin, bacadan duman çıktığını açıkça gösteren birkaç kare sonra yakalanmış bir görüntü seçebilir.

Araştırmacılar, bu sezgisel kuralın VLM’yi yeniden çalıştırmadan seçilecek en iyi kareleri belirleyebileceğini matematiksel olarak kanıtladı ve böylece hesaplama miktarını önemli ölçüde azalttı.

“Nico ve Harry’nin üstesinden gelmesi gereken temel zorluk, VML’leri belirsizlik nicelendirmesiyle birleştirerek, hareket halinde bir robot üzerinde bir saniyenin çok küçük bir kısmında çalışabilecek bir şey oluşturmak,” diyor Carlone.

Robotun nesne hakkındaki belirsizliğini azaltacak ek açıklamaları belirledikten sonra sistem, bunları tek bir nesne açıklamasında birleştirmek için bir LLM kullanır. Doğruluğu artırmak için LLM, yeni açıklamalara ve daha az belirsizliğe sahip olanlara daha fazla ağırlık verir.

Bu iyileştirme adımı, yalnızca nesne başına iki ek açıklama gerektirirken, robotun ortamındaki nesnelerin yaklaşık %92’si için belirsizlikleri çözebiliyor ve nesne açıklamalarının doğruluğunu en güncel yöntemlere göre %5 artırıyor.

UQ-DAAAM, gözlemlediği nesneler, onları nerede gördüğü ve son kez ne zaman karşılaştığı konusundaki sorulara, temel yöntemlerden daha doğru yanıtlar veriyor.

“Bu belirsizlik nicelendirme işlemini, robotun oluşturduğu tüm harita üzerinde gerçekleştirmek, onun gözlemlediği şeylere dair anlayışını geliştirmesini sağlıyor,” diyor Gorlo.

Araştırmacılar şimdi UQ-DAAAM’i mobil robotik kollar gibi farklı robot türlerini yönlendirmek için kullanmayı ve belirsizlik nicelendirme tekniklerini diğer alanlara uygulamayı planlıyor.

Bunun yanı sıra, UQ-DAAAM’in robotun ortamı daha iyi anlamak için yeniden ziyaret edebileceği yüksek belirsizlik alanlarını belirlemede kullanımını inceliyorlar. Aynı zamanda gelecekte bir robotun ortamının durumunu tahmin eden sistemlerde belirsizlik nicelendirmesini araştırıyorlar.

Bu araştırma kısmen ABD Ordu Araştırma Laboratuvarı ve ABD Donanma Araştırma Ofisi tarafından destekleniyor. Carlone şu anda bir Amazon Araştırmacısı olarak izinli; bu makale MIT’de gerçekleştirilen çalışmayı tanımlıyor ve Amazon ile ilişkili değil.

Bu haber makalesini paylaş:

• X

Makale: “Remember with Confidence: Uncertainty Quantification for Spatio-temporal Memory with Probabilistic Guarantees”

• Araştırma
• Bilgisayar bilimi ve teknoloji
• Algoritmalar
• Yapay zekâ
• Makine öğrenimi
• Robotik
• Bilgisayar görüşü
• Havacılık ve uzay mühendisliği
• Bilgi ve Karar Sistemleri Laboratuvarı (LIDS)
• Elektrik mühendisliği ve bilgisayar bilimi (EECS)
• Mühendislik Fakültesi
• MIT Schwarzman Hesaplama Fakültesi
• ABD Silahlı Kuvvetleri