In de wereld van de robotica bestaat er een wezenlijk verschil tussen de technische vaardigheid om een object te verplaatsen en het begrijpen van de specifieke locatie waar een voorwerp thuishoort. Hoewel een robot fysiek in staat kan zijn om een item op te pakken, blijft het een uitdaging om te begrijpen welke eisen een gebruiker stelt aan de uiteindelijke positie. Een cruciaal knelpunt is het vermogen van de machine om te bepalen of een correctie van een mens enkel geldt voor die specifieke situatie, of dat er sprake is van een algemene regel die voortaan altijd moet worden toegepast.
Om deze problematiek op te lossen, hebben Peng Zhang en een team van collega-onderzoekers het systeem CRAFT ontwikkeld. Deze afkorting staat voor Contextual Requirement Adaptation with Frozen Tools. Volgens een publicatie op arxiv.org stelt dit raamwerk robots in staat om lokale eisen aan te leren zonder dat de fundamentele robotvaardigheden opnieuw getraind hoeven te worden. Dit betekent dat de basisbesturing van de robot 'bevroren' blijft, terwijl de logica rondom de plaatsing van objecten wordt aangepast.
Een kernonderdeel van deze technologie is de zogenaamde 'scope ladder'. Dit mechanisme fungeert als een beslisboom voor de robot bij het verwerken van feedback. Wanneer een situatie vrijwel identiek is aan een eerdere ervaring, put het systeem uit zijn geheugen. In andere scenario's combineert de ladder dit geheugen met expliciete regels en een specifiek leercomponent voor vereisten die nog niet zijn gedefinieerd. De uiteindelijke actie van de robot wordt bepaald door een weging van deze componenten, gebaseerd op hoe accuraat ze in het verleden feedback konden voorspellen. Meer details over dit mechanisme zijn terug te vinden in de .
De effectiviteit van CRAFT is getest via uitgebreide simulaties met gegenereerde vereisten en kunstmatige feedback. In deze tests werd een strikt onderscheid gemaakt tussen fysiek succes — het simpelweg verplaatsen van een object — en het voldoen aan de specifieke eisen van de gebruiker. De prestaties werden gemeten aan de hand van 'utility', een score waarbij punten worden toegekend voor correcte acties en punten worden afgetrokken bij fouten of wanneer de robot onnodige vragen stelt.
Uit de resultaten blijkt dat CRAFT superieur is aan systemen die uitsluitend vertrouwen op een correctiegeheugen. In simulaties op basis van camerabeelden stelde de CRAFT-ladder bovendien minder vragen dan agenten die gebruikmaken van taalmodellen met een persistent geheugen. Er zijn echter ook kanttekeningen; sommige taalmodel-agenten bleken minder fouten te maken en waren vaker succesvol nadat de vereisten waren gewijzigd. Om een transparant beeld te geven, zijn alle executiefouten en timeouts meegenomen in de evaluatie, zoals beschreven via .
Hoewel de resultaten de hypothese ondersteunen dat een combinatie van specifieke herinneringen en brede regels effectief is, concluderen de auteurs dat de volledige betrouwbaarheid van adaptatie bij veranderende eisen nog een open vraag blijft. Het onderzoek is puur academisch en gericht op het optimaliseren van de interactie tussen mens en robot in dynamische omgevingen.
Vanwege de naamgeving kan er verwarring ontstaan met commerciële software. Zo bestaat er een productiviteitsapplicatie die bekend is via craft.do.