Zeg tegen een robot: "Mors geen koffie op mijn laptop" en de huidige machines zullen precies dat doen - en niets meer. De telefoon naast de laptop? De tablet opladen aan de andere kant van de tafel? Buiten de radar van de robot totdat je ze allemaal spelt, correctie na vervelende correctie.
Een nieuw platform van onderzoekers van MIT en New York University wil die kloof dichten. Het systeem, genaamd FLEX, stelt robots voor bewegingsplanning in staat de expliciete instructies van een mens te volgen en er tegelijkertijd bredere generalisaties uit te halen die de prestaties verbeteren, aldus MIT News. Het team zal het werk deze maand presenteren op de jaarlijkse Conference on Robot Learning (CoRL). Voor meer context over dit verhaal, zie ons laatste AI-ontwikkelingen.
"LLM's hebben zoveel teksten van internet gezien", zegt Nathan Dennler, postdoc bij MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) en auteur van het onderzoek. "Mensen hebben misschien geschreven over: 'Oh, mijn telefoon is in het water gevallen en nu werkt hij niet', of 'Ik heb koffie op mijn computer gemorst en nu werkt hij niet meer.' Dus LLM's pikken het idee op dat vloeistoffen plus apparaten ertoe leiden dat dingen niet werken."
Van één waarschuwing naar een heel regelboek
In een door MIT News beschreven demonstratiescenario ziet iemand hoe een robotarm een koffiekopje over een rommelige tafel draagt en een enkel commando typt: "Mors niet op de laptop!" Een conventionele robot zou de laptop aan zijn vermijdingslijst toevoegen en zijn pad opnieuw plannen. FLEX gaat nog verder: de robot redeneert waarom laptops belangrijk zijn en past zijn traject aan om elektronica in de buurt te vermijden, inclusief een telefoon die de gebruiker nooit heeft genoemd.
"Het idee is dat er een intentie van een hoger niveau zit achter de woorden die je zegt", zei Denler. "Mensen snappen dit natuurlijk. Maar dat moet je zorgvuldig uitleggen aan een robot, en dat kost tijd en moeite. FLEX geeft je een communicatie-interface met een robot om te zeggen: 'Als mensen dit zeggen, menen ze dat.'"
Het onderzoek werd geleid door Andreea Bobu, assistent-professor luchtvaart en ruimtevaart aan het MIT en hoofd van het Collaborative Learning and Autonomy Research (CLEAR) Lab. Co-auteurs zijn onder meer Audrey Lee, die haar SM aan het MIT in 2026 voltooide, en Ilia Sucholutsky van de New York University.
Hoe FLEX werkt: toevoegen, generaliseren, maskeren
FLEX werkt als een driestapspijpleiding die in ongeveer vijf seconden loopt.
Stap 1: Toevoegen
Wanneer een gebruiker een correctie in natuurlijke taal uitvoert, voegt de robot de relevante functie toe aan de lijst met zaken die van belang zijn voor de taak. Als iemand zegt: "Laat het niet op mijn mok vallen!" terwijl de robot een bowlingbal draagt, wordt de mok toegevoegd aan de vermijdingslijst en werkt de robot zijn traject bij. Deze stap weerspiegelt hoe eerdere methoden altijd hebben gewerkt – en dit is waar hun problemen beginnen.
"Het probleem doet zich voor wanneer uw lijst met functies superlang wordt en sommige functies niet langer relevant zijn omdat uw omgeving mogelijk is veranderd", vertelde Denler aan MIT News. Een robot die wordt opgedragen elk object afzonderlijk te vermijden, wordt langzamer in het corrigeren en langzamer in het plannen, en de last van het opsommen rust op de mens.
Stap 2: Generaliseren
Dit is de kernbijdrage van FLEX. Een groot taalmodel – GPT-4o, in de implementatie van het team – onderzoekt de verzamelde lijst met functies en zoekt naar patronen tussen de items. Geconfronteerd met een mok plus andere breekbare voorwerpen die de persoon heeft gemarkeerd, leidt de LLM een algemene klasse af: vermijd breekbare dingen, zelfs dingen die nooit worden genoemd. Omdat het model is getraind op enorme bibliotheken met menselijke tekst, wordt een groot deel van het alledaagse gezond verstand vooraf geïnstalleerd geleverd.
"LLM's hebben zoveel teksten van internet gezien, van allerlei soorten mensen en plaatsen", zei Denler. "Omdat ze zoveel in die dingen hebben getraind, wordt een deel van dat gezonde verstand opgenomen in de LLM."
Stap 3: Masker
Echte omgevingen veranderen en verouderde regels veroorzaken grillig gedrag. De derde stap van FLEX maakt gebruik van het standaard computervisiesysteem van de robot om te bepalen welke gemarkeerde objecten niet langer aanwezig zijn, en verwijdert vervolgens die vermeldingen uit de lijst met functies, waardoor de beperkingen van de robot actueel blijven zonder menselijke tussenkomst.
Getest in koffie-, kaars- en bowlingbalsimulaties
Het team evalueerde FLEX in simulaties van een robotarm die drie taken uitvoert: een kopje koffie serveren, een kaars bewegen en een bowlingbal dragen. Vrijwilligers communiceerden met de virtuele robot door opdrachten in natuurlijke taal te typen, zoals 'Mors niet op mijn laptop', 'Blijf uit de buurt van de stapel papier' en 'Laat niet op de mok vallen'.
In alle drie de scenario's volgde de robot elk commando letterlijk, terwijl hij ook op een hoger niveau redeneerde: hij bleef elektronica uit de weg als hij werd gewaarschuwd voor de laptop, ontweek brandbare voorwerpen toen hem werd verteld naar de kaars te kijken, en behandelde alle kwetsbare voorwerpen als no-drop-zones na een enkele mokwaarschuwing.
Waarom gezond verstand het knelpunt is voor thuisrobots
Het onderzoek richt zich op een hardnekkig obstakel in de consumentenrobotica: niemand levert een robot die al weet wat belangrijk is in je huis. Op natuurkunde gebaseerde trajectplanning is nauwkeurig maar ondoorzichtig, en verwachten dat gebruikers wiskundige kostenfuncties manipuleren is een non-starter.
"Robots gebruiken wiskunde om hun trajectplanning uit te voeren. Maar we kunnen niet van een consument verwachten dat hij deze wiskunde leert om een robot te vertellen wat hij moet doen", aldus Dennler. "In plaats van mensen op een specifieke manier te laten leren hoe ze een robot moeten gebruiken, is het doel om via natuurlijke taal met de robot te communiceren."
Een groot deel van het robotica-onderzoek verweeft al taal in het leren van robots: het verduidelijken van taakdoelen, het omleiden van trajecten, het definiëren van veilige paden. Maar MIT News merkt op dat deze bestaande methoden vooral taal gebruiken om de robot te vertellen hoe hij een taak fysiek moet uitvoeren. Bobu's groep verlegt een andere grens: het extraheren van de onderliggende, niet-gespecificeerde voorkeuren van een persoon uit een handvol terloopse commando's.
"De huizen van iedereen zijn anders en iedereen geeft om andere dingen, dus er komt geen robot uit de doos die weet wat voor jou belangrijk is", vertelde Bobu aan MIT News. "Wat mij zo opwindt aan FLEX is dat het dat kan oppikken uit een of twee zinnen in plaats van dat je wordt gevraagd elke regel te spellen - en dat is het verschil tussen een robot die mensen verdragen en een robot die ze eigenlijk in huis willen hebben."
Wat komt erna
Het werk, beschreven in de paper "Flexible Language-Guided Representation Editing for Adaptive Robot Behavior", werd gedeeltelijk ondersteund door het MIT Generative AI Impact Consortium en het Social and Ethical Responsibilities of Computing-programma van het MIT Schwarzman College of Computing.
De tot nu toe getoonde resultaten zijn simulaties, en het vertalen van die prestaties naar fysieke hardware – met rommeligere perceptie, luidruchtiger taalgebruik en echte gevolgen – blijft de volgende hindernis in het veld. Maar de richting is duidelijk: terwijl robots zich van fabriekskooien naar keukens en kantoren verplaatsen, kunnen de machines die daarin slagen wellicht degenen zijn die niet alleen begrijpen wat we zeggen, maar ook wat we bedoelen.
Dit artikel is gebaseerd op berichtgeving door Jennifer Chu, gepubliceerd door MIT News op 9 november 2026.---
Blijf Voorop met AIHet laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.
Lees meer AI-nieuws →
