MIND laat G1 eerdere beoordelingen van kamers hergebruiken
Bij sommige veranderingen hoeft het taalmodel niet alles opnieuw te beoordelen. Een verkeerde eerste beoordeling blijft wel een probleem.
Onderzoekers van Indiana University en Incheon National University presenteren MIND, een methode die bijhoudt welke kamerbeoordelingen nog bruikbaar zijn als een robot zich verplaatst of de omgeving verandert. In hun preprint beschrijven ze 26 beoordeelde G1-proeven in vier scenario's; acht andere proeven zijn met reden uitgesloten. De opstelling gebruikt een vooraf vastgelegde kaart, LiDAR en een RGB-D-camera. In twee scenario's daalde het aantal beoordelingen van negen naar drie. Een verplaatsing werd daarbij ook door een operator uitgevoerd. In een ander scenario bespaarde MIND niets en bleef een fout van het taalmodel bestaan. Minder beoordelingen betekent dus niet automatisch een beter begrepen opdracht.
Wat betekent dit?
Eerdere informatie hergebruiken kan rekentijd besparen. De proef laat tegelijk zien waarom een robot ook moet kunnen controleren of die eerdere informatie wel klopte.
Bron: Mohamed Abouagour en medeonderzoekers / arXiv ↗. Samengevat door YourWally op basis van de publicatie van de onderzoekers.