# MIT leert robots twijfelen aan wat ze denken te hebben gezien

- Rubriek: Modellen
- Gepubliceerd: 2026-11-05T06:00:00+01:00
- URL: https://aiweekblad.nl/artikel/mit-leert-robots-twijfelen-aan-wat-ze-denken-te-hebben-gezien
- Bron: MIT News, [Clearing up a robot’s fuzzy memory](https://news.mit.edu/2026/clearing-up-robot-fuzzy-memory-1105)

> Een nieuw geheugensysteem van MIT laat een robot meten hoe zeker hij is over wat hij zag. Bij twijfel kijkt hij opnieuw en verbetert hij zijn eigen notities.

Een robot die door een gebouw rijdt, onthoudt wat hij onderweg ziet. Maar wat als hij een defibrillator aan de muur in zijn geheugen heeft opgeslagen als brandblusser? Dan weet hij in een noodgeval niet waar hij moet zoeken. Onderzoekers van het Amerikaanse MIT hebben een systeem gebouwd dat zulke vergissingen opspoort en zelf herstelt.

## Van één blik naar meerdere

Het systeem heet **UQ-DAAAM**. Het bouwt voort op eerder werk van dezelfde groep, waarin een robot met een vision-language model (een AI-model dat beelden kan beschrijven) uitgebreide omschrijvingen maakt van objecten die zijn camera's oppikken. Die omschrijvingen komen terecht in een 3D-kaart van de omgeving, zodat de robot later vragen kan beantwoorden als "waar stond de koffiemachine?".

Het zwakke punt: een robot ziet een object soms maar half, van ver weg of in slecht licht. In het onderzoek werd een grijze schoorsteen bijvoorbeeld aangezien voor een eekhoorn op het dak. Zo'n fout bleef tot nu toe gewoon in het geheugen staan.

De nieuwe versie berekent hoe zeker het model is over zijn eigen omschrijving en vergelijkt die met omschrijvingen van hetzelfde object vanuit andere hoeken. Is de twijfel te groot, dan zoekt het systeem extra beelden die de onzekerheid het meest verkleinen, zoals een frame waarop rook uit die schoorsteen komt. Een taalmodel voegt de beschrijvingen daarna samen tot één nieuwe, betere notitie.

## Wat het oplevert

- Volgens de onderzoekers lost het systeem de onduidelijkheid op bij ongeveer 92 procent van de objecten, met gemiddeld maar twee extra beschrijvingen per object.

- De omschrijvingen werden 5 procent nauwkeuriger dan bij de beste bestaande methode.

- De robot gaf ook betere antwoorden op vragen over wat hij zag, waar en wanneer.

Een belangrijk technisch punt is snelheid. De onderzoekers bewezen wiskundig dat hun regel voor het kiezen van extra beelden werkt zonder het beeldmodel steeds opnieuw te draaien. Daardoor past het geheel in een fractie van een seconde, ook op een robot die rijdt. Het werk wordt gepresenteerd op NeurIPS, een van de grootste AI-conferenties.

## Weten wat je niet weet

Hoogleraar Luca Carlone, die het onderzoek leidde, trekt de vergelijking met chatbots. Bij ChatGPT volstaat een waarschuwing dat het antwoord fout kan zijn, maar bij een fysieke robot is dat volgens hem niet genoeg: een robot moet zelf weten wanneer hij iets niet zeker weet. Dat sluit aan bij een bredere zorg over AI die met grote stelligheid fouten maakt, een probleem dat ook bij taalmodellen speelt. Op AI Weekblad schreven we eerder over [de huisrobot Mobo](https://aiweekblad.nl/artikel/chery-dochter-aimoga-opent-pre-order-voor-huisrobot-mobo) en [Meta's huishoudrobot Max](https://aiweekblad.nl/artikel/meta-bouwde-huishoudrobot-max-in-drie-maanden-met-chinese-hulp): juist zulke robots moeten zich in een rommelig huis kunnen oriënteren.

Het blijft voorlopig onderzoek, geen product. De groep wil het systeem nu testen op robots met grijparmen en laten bepalen welke plekken een robot opnieuw moet bezoeken omdat hij er nog te weinig van begrijpt. Het onderzoek is deels betaald door onderzoeksbureaus van het Amerikaanse leger en de marine.

_Met AI geschreven door AIweekblad op basis van [Clearing up a robot’s fuzzy memory](https://news.mit.edu/2026/clearing-up-robot-fuzzy-memory-1105) (MIT News). Redactiebeleid: https://aiweekblad.nl/redactiebeleid_