Waarom is dit belangrijk?
Computers kunnen zo de route van auto's en voetgangers vooraf inschatten en tijdig bepalen of remmen of uitwijken nodig is. In het verkeer zetten onderzoekers dit in bij zelfrijdende auto's die een drukke straat volgen en risico's eerder moeten zien. Voor weggebruikers kan dat botsingen helpen voorkomen, maar een onvolledig beeld van de omgeving leidt soms tot een verkeerde inschatting.
Zo werkt het in de praktijk
Ruimtelijk-temporeel redeneren ondersteunt omgevingsbewaking en precisielandbouw. Een systeem koppelt dan sensormetingen aan een plek en een moment. Onderzoekers van de University of California, Los Angeles noemen ook slimme stadsinfrastructuur.
Diezelfde groep toetst of grote taalmodellen zo’n koppeling aankunnen. De toets STARK laat modellen een gebeurtenis lokaliseren en een meetwaarde in de tijd schatten. Geometrisch rekenen blijft daarbij voor veel modellen lastig.
Het redeneren sluit aan op kwalitatief ruimtelijk-temporeel redeneren (QSTR). Dit kader beschrijft plaats en tijd met woorden als “binnen” of “tijdens”, zonder exacte coördinaten. Onderzoekers van de Universiteit Hamburg koppelen QSTR aan neuro-symbolische AI (logische regels plus leerende modellen) en aan Allens intervalalgebra voor tijdsrelaties.




