MIT新系统UQ-DAAAM 让机器人自主纠正记忆错误

时间：2026年11月5日，麻省理工学院（MIT）发布新一代机器人记忆纠错系统UQ-DAAAM。 地点：美国马萨诸塞州剑桥市，MIT航空航天系、信息与决策系统实验室（LIDS）及SPARK实验室联合团队完成该研究。 人物：论文通讯作者为MIT航空航天系副教授Luca Carlone，共同第一作者为MIT研究生Harry Zhang与Nicolas Gorlo。研究由美国陆军研究实验室与海军研究办公室资助。 事件详情：UQ-DAAAM（全称Uncertainty Quantification for Describe Anything, Anywhere, at Any Moment）是一套专为机器人设计的记忆不确定性量化框架。当机器人在环境中移动并拍摄图像时，系统会对比同一物体从不同视角捕捉到的多组描述，计算视觉语言模型（VLM）对这些描述的置信度，并将多源不确定性融合为一个综合评分。若该评分超过阈值，系统会主动选取能降低不确定性的额外视角，通过大语言模型（LLM）将多视角描述融合为一条更准确的记忆条目，再存入三维地图表示的长期记忆中。与基线方法相比，UQ-DAAAM将物体描述准确率提升了5%，并能解决约92%的歧义条目，且每物体仅需额外2条描述即可完成修正。 背景：该系统建立在团队此前DAAAM框架之上。DAAAM本身已能让机器人通过机载摄像头丰富地描述环境物体，但若机器人仅从远距离、模糊或局部视角观察物体，就可能出现误标——例如把灰色烟囱错认成屋顶上的松鼠。由于缺乏自我修正机制，错误记忆会持续影响后续任务。UQ-DAAAM引入不确定性量化，让机器人能够主动识别“自己不知道”的部分，并在毫秒级内完成实时修正。 影响：团队已用数学方法证明，该启发式筛选策略无需重新运行VLM即可选出最优帧，大幅降低计算开销。UQ-DAAAM不仅能提升机器人在物体问答、位置追踪与时间记忆上的表现，还为家庭服务机器人与工业协作机器人的安全部署提供了关键保障。正如Carlone所说：“与ChatGPT不同，物理AI不能只靠一条免责声明来应对错误——让机器人知道自己不知道什么，才是这项技术安全落地的前提。”该论文已被NeurIPS 2026接收，代码与形式化证明已开源。 总结：UQ-DAAAM的核心贡献在于，它首次将不确定性量化系统性地嵌入机器人的时空记忆中，让机器人从“被动存储描述”升级为“主动检验并修正记忆”。这在Embodied AI领域标志着从“追求回答”到“追求知道”的范式转变。随着研究团队下一步将系统应用于移动机械臂并探索环境不确定性主动探索，物理AI的安全边界正在被重新定义。 参考来源： MIT News https://news.mit.edu/2026/clearing-up-robot-fuzzy-memory-1105 Mirage News https://www.miragenews.com/clearing-up-robots-fuzzy-memory-1772256/ LavX News https://news.lavx.hu/article/clearing-up-a-robot-s-fuzzy-memory 知乎精选（智东西） https://www.zhiding.cn/physical-ai/2026/1105/3204914.shtml arXiv预印本 https://arxiv.org/abs/2606.08277