A ETRI e a GIST desenvolveram um sistema de IA para robôs que permite armazenar informações do ambiente e recuperá-las ativamente quando necessário, em vez de depender de estimativas baseadas em conhecimento prévio. A tecnologia, chamada SceneQueryPlanner, foi apresentada em 26 de outubro de 2026 e combina duas etapas: a observação direta do ambiente (environment grounding) e a consulta seletiva à memória armazenada (memory grounding).
Superando a fragmentação da informação
Segundo a Yonhap News, os modelos de linguagem de grande porte (LLMs) atuais permitem que robôs entendam comandos naturais, mas falham em ambientes reais quando precisam distinguir detalhes como material, estado e localização de objetos. A solução adota uma estrutura chamada "grafo 3D de cenas", que organiza de forma estruturada as relações entre cômodaros, móveis, objetos e suas propriedades — como abertura de portas, estado ligado/desligado e tipo de material. Essa abordagem substitui a transmissão tradicional de informações por textos longos e difíceis de consultar sob demanda.
Avaliação prática em ambientes domésticos
A TechWorld destacou que a eficácia do sistema foi validada pelo benchmar AttPlan-Bench, que testa habilidades de robôs em cenários domésticos reais. O benchmark inclui 10 tipos de tarefas, como mover objetos entre cômodaros, organizar itens, limpar superfícies e controlar dispositivos eletrônicos. Em um exemplo citado, o robô diferencia corretamente copos de vidro e plástico apenas com base em dados previamente armazenados — sem tentar adivinhar — e os direciona aos locais apropriados. Isso reduz drasticamente erros causados por suposições incorretas.
Ao contrário do que fazem soluções convencionais, que acumulam informações em formatos não estruturados, a abordagem da ETRI foca na recuperação contextualizada. Em vez de carregar toda a memória carregada o tempo todo, o sistema consulta apenas os atributos relevantes ao momento — como posição relativa entre objetos ou status atual de um aparelho — permitindo decisões mais ágeis e confiáveis. Para quem opera na área de automação residencial ou robótica de serviço, o avanço sugere uma redução real de falhas decorrentes de percepções equivocadas.
Perspectivas e limites ainda presentes
O código fonte do SceneQueryPlanner e do AttPlan-Bench foi disponibilizado publicamente para acelerar pesquisas futuras. Apesar disso, não há previsão divulgada de implantação comercial imediata nem especificações sobre hardware compatível. A ETRI informou planejar testes em ambientes domésticos variados para avaliar robustez diante de condições imprevisíveis, mas não indicou cronogramas ou parcerias industriais para produção em larga escala.
O que ainda não foi divulgado
- Detalhes sobre integração com sistemas comerciais existentes
- Resultados quantitativos da precisão no benchmark AttPlan-Bench
- Data ou cronograma para aplicação prática fora do laboratório
- Informações sobre parcerias com empresas de robótica
