In de robotica vormt het proces van visuomotorisch leren een aanzienlijke uitdaging. Robots moeten niet alleen hun fysieke bewegingen beheersen, maar ook accuraat bepalen naar welke visuele informatie zij moeten kijken om een taak succesvol te voltooien. Een nieuwe techniek genaamd 'Seeker' probeert dit probleem op te lossen door het proces van 'waar te kijken' los te koppelen van 'hoe te handelen'.
Volgens een wetenschappelijke publicatie op arxiv.org kan deze scheiding de efficiëntie van het leerproces aanzienlijk verhogen. Traditionele systemen maken vaak gebruik van zogenaamde 'Regions of Interest' (ROI's), waarbij de visuele input wordt beperkt tot specifieke zones. Veel van deze huidige methoden zijn echter afhankelijk van menselijke tussenkomst, zoals het handmatig toevoegen van labels of het volgen van menselijke oogbewegingen om aan te geven wat relevant is.
Onderzoekers, waaronder Zheyu Zhuang, wijzen erop dat bestaande label-vrije alternatieven vaak tekortschieten. Sommige systemen plaatsen simpelweg een kader rond de grijper van de robot, maar dit is problematisch wanneer cruciale informatie zich buiten dat kader bevindt of wanneer de timing van de gebeurtenissen varieert. Dit kan leiden tot een verkeerde uitlijning van de visuele focus, wat de prestaties van de robot negatief beïnvloedt.
Om deze beperkingen te overbruggen, is Seeker ontwikkeld. Dit systeem fungeert als een readout-mechanisme dat is afgestemd op de specifieke taak en de actuele status van de robot. In plaats van externe labels te gebruiken, leert Seeker zelfstandig aandacht te schenken aan relevante gebieden op basis van de uitgevoerde acties. Het systeem maakt gebruik van bevroren DINOv3-kenmerken en werkt iteratief door voortdurend visuele bewijzen te verzamelen en de focus aan te passen aan de voortgang van de taak. Deze dynamische ROI's worden vervolgens ingezet voor het bijsnijden van beelden, het filteren van puntenwolken en achtergrondaugmentatie.
De resultaten van dit onderzoek, beschreven in het artikel , tonen een sterke verbetering in zowel robuustheid als data-efficiëntie. In praktijktesten met fysieke robots bleek de impact significant. In bekende omgevingen steeg het gemiddelde succespercentage van 48,3% bij de beste baseline naar 76,7% dankzij de nieuwe methode. De winst was nog groter bij onvoorziene omstandigheden, zoals veranderingen in belichting of achtergrond, waarbij het succespercentage steeg van 20,0% naar 60,0%.
Naast de academische publicatie is er bredere interesse in dergelijke innovaties binnen de AI- en robotica-sector. Platformen zoals emergent.sh richten zich op de ontwikkeling van geavanceerde systemen, wat past in de bredere trend van het automatiseren van complexe leerprocessen.
Het volledige onderzoek is op 13 augustus 2026 ingediend en de bijbehorende code is publiekelijk toegankelijk gemaakt via de om verdere innovatie binnen de robotica-gemeenschap te ondersteunen.