Une équipe de recherche présente sur arXiv un cadre d’active perception destiné à la désambiguïsation de cibles pour les robots interagissant en langage naturel. Le problème visé est concret: dans un environnement physique, l’ambiguïté ne vient pas seulement d’une instruction utilisateur imprécise, mais aussi d’un manque d’indices observables à l’instant donné.
Les travaux existants de désambiguïsation interactive s’appuient surtout sur des questions posées à l’utilisateur. Les auteurs soulignent toutefois que certains cas ne peuvent pas être résolus uniquement par le dialogue: objets masqués, angle de vue limité, texte illisible ou cible encore non observée. Leur proposition consiste donc à faire de l’observation active un mécanisme central d’acquisition d’information.
Le cadre décrit utilise un modèle vision-langage pour décider, à partir des preuves visuelles accumulées et des informations issues de l’interaction, s’il faut continuer à observer, demander une clarification supplémentaire ou finaliser la sélection de la cible. Selon le résumé, cette stratégie permet non seulement de récupérer des indices discriminants manquants, mais aussi de révéler des noms d’objets, des étiquettes ou certains attributs sémantiques utiles à la suite de l’échange.
Les auteurs indiquent avoir mené des expériences sur robot réel. D’après l’abstract, ces essais montrent qu’il est possible de combiner, dans un même processus, l’acquisition d’information physique par le mouvement et la clarification de l’intention utilisateur. À ce stade, le résumé public ne détaille ni les métriques ni l’ampleur des gains observés, mais la contribution met en avant une direction intéressante pour des interfaces robotiques plus autonomes et plus robustes face à l’incertitude perceptive.