Araştırmacılar, çok modlu büyük dil modellerinin video içeriklerini ne kadar iyi anlayabildiğini test etmek için yeni bir değerlendirme sistemi geliştirdi. VAEX-BENCH adlı bu sistem, yapay zekanın sadece videolarda gördüklerini tanımlamasını değil, farklı zamanlardaki olayları birleştirerek soyut çıkarımlar yapabilme becerisini ölçüyor. Mevcut testler genellikle videoda açıkça görülen bilgileri tespit etmeye odaklanırken, bu yeni yaklaşım yapay zekanın gerçek dünya senaryolarında daha karmaşık görsel akıl yürütme yapabilme kapasitesini değerlendiriyor. Sistem, nesne seviyesinden oda planlamasına kadar farklı karmaşıklık düzeylerinde senaryolar sunarak, yapay zekanın uzamsal ve zamansal bilgileri entegre etme yeteneğini test ediyor.

Araştırmacılar, 3D ortamları daha etkili şekilde anlayabilen yeni bir yapay zeka sistemi geliştirdi. PLAF adlı bu teknoloji, görüntülerdeki her pikseli doğal dille ilişkilendirerek 3D sahneleri anlama konusunda büyük ilerleme sağlıyor. Mevcut sistemlerin aksine, bu yeni yaklaşım hem dil ile uyumlu hem de mekânsal olarak hassas sonuçlar üretiyor. Sistem, büyük ölçekli 3D sahnelerde gereksiz veri fazlalığını önemli ölçüde azaltarak depolama ve sorgulama verimliliğini artırıyor. Bu gelişme, robotik, artırılmış gerçeklik ve otonom araçlar gibi 3D sahne anlama gerektiren uygulamalarda devrim yaratma potansiyeli taşıyor.

Araştırmacılar, robot kontrolü ve otomasyon alanında kullanılan Görme-Dil-Eylem (VLA) modellerinin değerlendirilmesini kolaylaştıran yeni bir platform geliştirdi. vla-eval adlı bu açık kaynak sistem, farklı AI modellerinin performansını karşılaştırmanın zorluklarını ortadan kaldırıyor. Geleneksel yöntemlerde her yeni test için ayrı yazılım kurulumları ve uyumluluk sorunları yaşanıyordu. Yeni platform, Docker teknolojisi kullanarak bu sorunları çözüyor ve araştırmacıların 14 farklı simülasyon ortamında modellerini tek seferde test etmelerine olanak sağlıyor. Bu gelişme, robotik ve yapay zeka alanındaki araştırmaları hızlandırarak, daha güvenilir model karşılaştırmaları yapılmasını mümkün kılıyor.

Yapay zeka sistemlerinin öğrenme süreçlerinde karşılaştığı en büyük sorunlardan biri, karmaşık görevlerde yavaş ilerleme kaydetmesidir. Araştırmacılar, bu sorunu çözmek için bulanık mantık teorisini kullanan yeni bir yöntem geliştirdiler. FARS (Fuzzy Logic Theory-based Adaptive Reward Shaping) adlı bu yaklaşım, uzman bilgisini yapay zeka sisteminin ödül mekanizmasına entegre ederek öğrenme sürecini hızlandırıyor. Yöntem, özellikle otonom drone yarışları gibi karmaşık navigasyon görevlerinde test edildi ve geleneksel yöntemlere kıyasla daha hızlı öğrenme ve daha istikrarlı performans gösterdi. Bu gelişme, robotik ve otonom sistemlerin gerçek dünya uygulamalarında daha etkili çalışmasının önünü açabilir.

Araştırmacılar, humanoid robotların insan hareketlerini daha doğal bir şekilde taklit etmesi için yenilikçi bir yapay zeka sistemi geliştirdi. Neural Motion Retargeting (NMR) adlı bu framework, geleneksel optimizasyon yöntemlerinin yarattığı fiziksel tutarsızlıkları çözerek robotların insan verilerinden öğrenme sürecini revolutionize ediyor. Sistem, hareketleri kümeleyerek gruplandıran ve dinamik özelliklerini dikkate alan bir yaklaşım benimsiyor. Bu gelişme, robotların karmaşık çevrelerde daha etkili çalışabilmesi için gereken motor becerileri kazanmalarında önemli bir adım.

Araştırmacılar, otonom araçlar ve robotik sistemlerde kritik öneme sahip 3D nesne tanıma teknolojisini, gizliliği koruyarak çok robotlu ağlarda kullanılabilir hale getiren yenilikçi bir çerçeve geliştirdi. Fed3D adlı bu sistem, robotların kişisel verilerini paylaşmadan ortak öğrenme yapabilmesini sağlıyor. Geleneksel yöntemlerde robotlar verilerini merkezi bir sunucuya göndermek zorunda kalırken, bu yaklaşımda her robot kendi verilerini yerel ortamda tutuyor. Sistem, 3D verilerin düzensiz yapısı ve robotlar arası farklı kategori dağılımları gibi teknik zorlukları aşmak için özel algoritmalar kullanıyor. Bu gelişme, özellikle büyük ölçekli keşif görevlerinde çalışan robot filolarının hem güvenli hem de etkili bir şekilde işbirliği yapabilmesinin önünü açıyor.

Stanford ve Microsoft araştırmacıları, gerçek dünya görüntülerinden yüksek kaliteli simülasyon ortamları üreten yeni bir yapay zeka sistemi geliştirdi. 'Dijital kuzen' olarak adlandırılan bu teknoloji, robotların eğitimi için maliyetli gerçek dünya deneyimlerine alternatif sunuyor. Sistem, panoramik fotoğrafları fizik kurallarının geçerli olduğu interaktif sanal ortamlara dönüştürebiliyor ve robotların bu ortamlarda öğrendiği becerileri gerçek dünyaya aktarabilmesini sağlıyor. Bu gelişme, robot öğrenmesinde devrim yaratma potansiyeli taşıyor.

Araştırmacılar, robotların farklı ortamlarda göz-el koordinasyonunu sürekli öğrenebilmesi için yeni bir yapay zeka sistemi geliştirdi. Geleneksel derin öğrenme modellerinin yeni ortamlara adapte olurken eski bilgileri unutma sorunu yaşadığı biliniyordu. Bu yeni yaklaşım, robotların manipülasyon görevlerini yerine getirirken karşılaştıkları her yeni sahneye adaptasyon sağlarken önceki deneyimlerini de korumasını sağlıyor. Sistem, geometrik olarak düzenli bir tekrar stratejisi ve yapı koruyucu damıtma tekniği kullanıyor. Bu gelişme, robotların açık dünya ortamlarında daha etkili çalışabilmesi ve sürekli öğrenme yeteneği kazanması açısından önemli bir adım.

Araştırmacılar, mikro hava robotlarının düz ve kavisli yüzeylere güvenle konabilmesi için elektriksel yapışma teknolojisini kullanan yeni bir sistem geliştirdi. Elektroadezyona dayalı bu teknoloji, elektrik akımıyla kontrol edilebilen yapışma sağlıyor. Bilim insanları, yumuşak ve esnek malzemelerden ürettikleri özel pedleri Crazyflie adlı mini drone üzerine monte ederek test etti. Sinüzoidal dalga ve eş merkezli daire elektrot tasarımları kullanan bu sistem, 4.8 kV voltajla çalışıyor ve 3 Newton'a kadar yapışma kuvveti üretebiliyor. Özellikle yatay kayma kuvvetlerine karşı güçlü direnç gösteriyor. Bu teknoloji, gelecekte bina denetimi, arama kurtarma operasyonları ve izleme görevlerinde kullanılacak mini robotlar için önemli bir gelişme teşkil ediyor.

Araştırmacılar, robotik alanında devrim yaratabilecek yeni bir sistem olan ABot-Claw'u geliştirdi. Bu sistem, farklı türdeki robotların uzun süreli görevlerde işbirliği yapmasını, deneyimlerinden öğrenmesini ve sürekli kendilerini geliştirmesini sağlıyor. Mevcut robotik sistemler genellikle kısa vadeli görevlerle sınırlı kalıyor ve gerçek dünya koşullarında zorlanıyor. ABot-Claw ise robotlara kalıcı hafıza, görsel tabanlı öğrenme ve çoklu robot koordinasyonu yetenekleri kazandırıyor. Sistem, Vision-Language-Action modellerinin güçlü algılama yeteneklerini, System 2 bilişsel mekanizmalarla birleştirerek robotların daha akıllı ve özerk hareket etmesini mümkün kılıyor.

Araştırmacılar, otonom araçlardan robotlara kadar birçok alanda kullanılan adaptif kontrol sistemleri için yenilikçi bir öğrenme stratejisi geliştirdi. 'Kompozit öğrenme geri adımlama kontrolü' adı verilen bu yöntem, sistemlerin çevresel değişikliklere daha hızlı uyum sağlamasını ve daha kararlı performans göstermesini sağlıyor. Geleneksel yöntemlerin aksine, yüksek güçlü geri besleme gereksinimi olmadan sistemin kararlılığını koruyabiliyor. Bu gelişme, özellikle belirsizliklerle dolu ortamlarda çalışan akıllı sistemlerin performansını artırmada önemli bir adım teşkil ediyor.