Wetenschappers hebben een innovatief controle-theoretisch raamwerk ontwikkeld dat in staat is om menselijke voorkeuren tijdens de uitvoering direct te integreren in de strategie van autonome agenten. Deze benadering put uit het principe van vrije energiminimalisatie, een concept dat oorspronkelijk afkomstig is uit de computationele neurowetenschap, om de interactie tussen mens en machine te optimaliseren.
In een publicatie die op 16 september 2026 werd ingediend, beschrijven Maria Paula Diaz Monfort, Cinzia Tomaselli, Michael Richardson en Giovanni Russo hoe zij dit principe hebben omgezet in een open controlearchitectuur. Volgens de auteurs in hun artikel op arxiv.org stelt dit kader autonome systemen in staat om online aanpassingen te maken op basis van menselijke input, wat een cruciale stap is in het effectief sturen van AI-leerprocessen en controlemechanismen.
Om de theoretische claims te toetsen, voerden de onderzoekers experimenten uit met een 'human-in-the-loop' opstelling. Hierbij werd een rover ingezet die navigeerde met behulp van eigen sensoren. Een menselijke operator stuurde de rover op afstand aan via virtual reality-headsets, waarbij dezelfde sensorische data beschikbaar waren als voor de robot zelf. De voorkeuren van de mens werden via gebaren overgedragen aan de agent. De tests wezen uit dat de interacties, ongeacht of ze coöperatief of competitief waren ten opzichte van het oorspronkelijke doel, succesvol gereguleerd konden worden.
Deze focus op het minimaliseren van vrije energie is onderdeel van een bredere trend binnen de AI-uitlijning en autonome systemen. Zo is er onderzoek gedaan naar het verkleinen van de divergentie tussen de overtuigingen van een agent over toekomstige trajecten en hun feitelijke voorkeuren. Dit werd onder meer besproken in een presentatie op icml.cc tijdens een workshop over menselijke feedback voor AI-uitlijning.
Naast de directe interactie met mensen wordt het principe van vrije energiminimalisatie ook ingezet om de betrouwbaarheid van besluitvorming te verhogen. Een voorbeeld hiervan is het DR-FREE model, dat is beschreven in een rapport op arxiv.org. Dit model is specifiek ontwikkeld om robuustheid in te bouwen, waardoor fouten worden voorkomen wanneer de werkelijke omgeving afwijkt van de trainingscondities. In tests met rovers in omgevingen met obstakels presteerde dit model beter dan conventionele systemen.
De toepassing van deze neurologische principes strekt zich verder uit naar affectieve interacties. Zo is er via nlnih.gov onderzoek bekend naar actieve inferentie binnen multimodale mens-robot interacties, wat aantoont dat energiminimalisatie breed inzetbaar is voor het verbeteren van de samenwerking tussen mens en machine.
Het recente werk van Diaz Monfort en haar team is geaccepteerd voor presentatie op de IEEE Conference on Decision and Control 2026 in Honolulu, Verenigde Staten. Hiermee wordt de brug geslagen tussen theoretische neurowetenschappelijke concepten en praktische toepassingen voor autonome navigatie.