ذراع روبوتية متكاملة بالكامل تكتشف وتسترد الأشياء المفقودة

قام باحثون في معهد ماساتشوستس للتكنولوجيا بتطوير ذراع روبوتية متكاملة بالكامل تدمج البيانات البصرية من كاميرا ومعلومات التردد الإذاعي (RF) من هوائي لتحديد موقع الأشياء المفقودة والاستيلاء عليها. يمكنها تحديد الأشياء حتى لو كانت مدفونة أو خارج النظر.

يُطلق على النظام اسم RFusion، ويعتمد النموذج الأولي على علامات RFID، وهي علامات رخيصة لا تحتاج إلى بطارية تعكس الإشارات المرسلة بواسطة الهوائي. يمكن لإشارات RF أن تعبر معظم الأسطح، لذلك يمكن لشركة RFusion تحديد موقع عنصر تمت إضافته حتى لو كان مدفونًا.

تستخدم الذراع الروبوتية التعلم الآلي لتحديد موقع الكائن بدقة. يمكنها بعد ذلك تحريك الأشياء الموجودة فوقها، وامساك الكائن، وتأكيد أنها الكائن الصحيح. الكاميرا، الهوائي، الذراع الروبوتية، والذكاء الاصطناعي متكاملون بالكامل، مما يعني أن النظام يمكنه العمل في أي بيئة دون الحاجة إلى إعدادات مكثفة.

وفقًا للباحثين، يمكن استخدام RFusion في تطبيقات مثل الفرز من خلال الكومة لتلبية الطلبات في مستودع، أو لتحديد وتثبيت المكونات في مصنع لصناعة السيارات.

فادل عديب هو المؤلف الرئيسي وأستاذ مساعد في قسم الهندسة الكهربائية وعلم الحاسوب. عديب هو أيضًا مدير مجموعة Signal Kinetics في مختبر ماساتشوستس الطبي.

“فكرة القدرة على العثور على الأشياء في عالم فوضوي هو مشكلة مفتوحة التي عملنا عليها لعدة سنوات. وجود روبوتات قادرة على البحث عن الأشياء تحت كومة هو حاجة متزايدة في الصناعة اليوم. يمكنك التفكير في هذا كروبوت روومبا على ستيرودس، ولكن في المدى القصير، يمكن أن يكون له تطبيقات كثيرة في التصنيع وبيئات المستودعات،” يقول عديب.

الباحثون الآخرون المشاركون في البحث يشملون مساعد البحث تارا بوروشاكي، المؤلف الرئيسي؛ طالب الدراسات العليا في الهندسة الكهربائية وعلم الحاسوب إسحاق بيربر؛ باحث مساعد ميرجن ناتشين؛ وألبرتو رودريغيز، أستاذ مساعد في قسم الهندسة الميكانيكية.

من المقرر تقديم البحث في مؤتمر الرابطة للنظم المضمنة والشبكات الحساسة القادمة الشهر.

تدريب النظام

استخدم الباحثون التعلم التعزيزي لتدريب شبكة عصبونية يمكنها تحسين مسار الروبوت إلى الكائن.

“هذا هو أيضًا كيفية تعلم دماغنا. نحصل على مكافأة من معلمينا، من آبائنا، من لعبة حاسوب، إلخ. نفس الشيء يحدث في التعلم التعزيزي. نسمح للوكيل بالخطأ أو القيام بشيء صحيح ثم نُعاقب أو نمكفئ الشبكة. هذا هو كيفية تعلم الشبكة شيئًا صعبًا حقًا بالنسبة لها،” يشرح بوروشاكي.

خوارزمية التحسين في RFusion مكافأة عندما قامت بتحديد عدد الحركات لتحديد موقع الكائن والمسافة المقطوعة لاقتلاعه.

https://www.youtube.com/watch?v=iqehzw_aLc0&t=4s

اختبار RFusion

قام الباحثون باختبار النظام في عدة بيئات، بما في ذلك واحدة حيث كان سلسل مفاتيح مدفونًا في صندوق مليء بالفوضى وسجلاً عن بُعد مخفيًا تحت كومة من الأشياء على أريكة.

اتبعوا نهجًا يُجمّع فيه قياسات RF ويتحدد البيانات البصرية في منطقة أمام الروبوت مباشرةً لتجنب إرهاق النظام. هذا أدى إلى نسبة نجاح تبلغ 96٪ عند استرجاع الأشياء الكاملة المخفية تحت كومة.

“في بعض الأحيان، إذا اعتمدت فقط على قياسات RF، سيكون هناك انحراف، وإذا اعتمدت فقط على الرؤية، سيكون هناك خطأ من الكاميرا. لكن إذا جمعت بينهما، فسوف يصححان بعضهما البعض. هذا ما جعل النظام قويًا جدًا،” يقول بوروشاكي.

ماثيو إس رينولدز هو زميل مبتكر الرئاسة في كوموشن وزميل مساعد في الهندسة الكهربائية وعلم الحاسوب في جامعة واشنطن.

“كل عام، يتم استخدام مليارات من علامات RFID لتحديد الأشياء في سلاسل التوريد المعقدة اليوم، بما في ذلك الملابس والكثير من السلع الاستهلاكية الأخرى. يشير نهج RFusion إلى الطريق الصحيح للروبوتات المستقلة التي يمكنها حفر كومة من الأشياء المختلطة وفرزها باستخدام البيانات المخزنة في علامات RFID، بأكثر كفاءة من محاولة فحص كل عنصر على حدة، خاصة عندما تبدو الأشياء متشابهة لنظام الرؤية الحاسوبية،” يقول رينولدز. “نهج RFusion هو خطوة كبيرة إلى الأمام للروبوتات التي تعمل في سلاسل التوريد المعقدة حيث تحديد واختيار العنصر الصحيح بسرعة ودقة هو المفتاح لاستكمال الطلبات في الوقت المناسب ورضا العملاء المطالبين.”

سيبحث الباحثون الآن عن زيادة سرعة النظام لتحريكه بسلاسة.