MIT（美国麻省理工学院）团队为机器人记忆加“不确定性量化”，可自行纠错错标物体
麻省理工学院（MIT）研究者提出UQ-DAAAM（Uncertainty Quantification for Describe Anything, Anywhere, at Any Moment，即“任意物体、任意地点、任意时刻描述的不确定性量化”），让机器人在移动中比较同一物体不同视角的描述，估计视觉语言模型（VLM）对已存记忆的把握程度，再补拍视角修正错标。
论文称该方法能解决约92%物体的歧义，物体描述准确率较现有最优方法提升5%，且每个物体仅需额外两张描述。 研究尚未在真实家庭或工业场景部署验证。
论文由MIT（美国麻省理工学院）航空与航天系（AeroAstro）副教授、信息与决策系统实验室（LIDS）首席研究员、MIT SPARK实验室主任Luca Carlone任资深作者，共同第一作者为MIT研究生Harry Zhang和Nicolas Gorlo； 成果将在神经信息处理系统大会（NeurIPS）发表。
方法在原有DAAAM机器人记忆系统基础上加入不确定性量化：先计算VLM（视觉语言模型）生成描述词句的置信度，再与不同视角下同一物体的描述做一致性比对，二者融合为单一不确定性数值； 超过阈值时，用一条数学上可证明最优的启发式规则挑选额外视角，不需重跑VLM，以LLM（大语言模型）融合新旧描述并给新描述和歧义更小的描述更高权重。
原文示例中，机器人可能把灰色烟囱误标为屋顶上的松鼠。 研究中该修正步骤对约92%的物体消除歧义，每个物体仅需两张额外描述，物体描述准确率较现有最优方法提高5%； 在物体、位置、最后见到时间的问答上也优于基线。 该研究部分获美国陆军研究实验室和美国海军研究办公室资助； Carlone目前在亚马逊学术休假，原文注明该工作完成于MIT、与亚马逊无关。
机器人长期记忆的薄弱点不在“存不下”，而在“存错了还继续用”。 把不确定性量化和主动取景结合，等于让机器人在运行中自查记忆，这对多步骤任务（收拾餐桌、与人协同装配）是前置条件。 不过92%和5%是研究者自设基准下的结果，真机长期运行、动态遮挡与算力约束下的表现仍需验证。
后续观察信号
- UQ-DAAAM的计算开销在嵌入式机器人上如何分布
- 误修正（原本正确的记忆被改写）的比例是多少