الذراع الروبوتية المتكاملة بالكامل تحدد موقع العناصر المفقودة وتسترجعها

طور باحثون في معهد ماساتشوستس للتكنولوجيا ذراعًا آليًا متكاملًا يعمل على دمج البيانات المرئية من معلومات الكاميرا وترددات الراديو (RF) من هوائي لتحديد موقع الأشياء المفقودة واستعادتها. يمكنه تحديد موقع الأشياء حتى لو تم دفنها أو بعيدًا عن الأنظار. 

يُطلق على النظام اسم RFusion ، ويعتمد النموذج الأولي على علامات RFID ، وهي علامات غير مكلفة ولا تحتوي على بطارية وتعكس الإشارات المرسلة بواسطة الهوائي. يمكن أن تنتقل إشارات التردد اللاسلكي عبر معظم الأسطح ، لذلك يمكن أن يحدد RFusion عنصرًا مميزًا حتى لو تم دفنه. 

تستخدم الذراع الآلية التعلم الآلي للتركيز تلقائيًا على الموقع الدقيق للكائن. ويمكنه بعد ذلك نقل العناصر الموجودة فوقه، والإمساك بالكائن، والتحقق من أنه الكائن الصحيح. تم دمج الكاميرا والهوائي والذراع الآلي والذكاء الاصطناعي بشكل كامل، مما يعني أن النظام يمكن أن يعمل في أي بيئة دون الحاجة إلى إعداد مكثف.

وفقًا للباحثين ، يمكن استخدام RFusion لتطبيقات مثل الفرز من خلال الأكوام لتلبية الطلبات في المستودع ، أو لتحديد المكونات وتثبيتها في مصنع لتصنيع السيارات.

فاضل أديب مؤلف أول وأستاذ مشارك في قسم الهندسة الكهربائية وعلوم الكمبيوتر. أديب هو أيضًا مدير مجموعة Signal Kinetics في MIT Medical Lab. 

"فكرة القدرة على العثور على العناصر في عالم يسوده الفوضى هي مشكلة مفتوحة نعمل عليها منذ بضع سنوات. إن امتلاك روبوتات قادرة على البحث عن الأشياء الموجودة تحت كومة هو حاجة متزايدة في الصناعة اليوم. في الوقت الحالي ، يمكنك التفكير في هذا على أنه Roomba على المنشطات ، ولكن على المدى القريب ، يمكن أن يكون لهذا الكثير من التطبيقات في بيئات التصنيع والمستودعات ، "قال أديب. 

ومن بين المؤلفين المشاركين الآخرين في البحث مساعد الباحث تارا بوروشكي ، المؤلف الرئيسي ؛ إسحاق بيربر ، طالب الدراسات العليا في الهندسة الكهربائية وعلوم الكمبيوتر ؛ باحث مشارك Mergen Nachin ؛ وألبرتو رودريغيز ، أستاذ مشارك في قسم الهندسة الميكانيكية من دفعة 1957.

من المقرر تقديم البحث في مؤتمر رابطة آلات الحوسبة حول أنظمة الاستشعار الشبكية المدمجة الشهر المقبل. 

تدريب النظام

استخدم الباحثون التعلم المعزز لتدريب شبكة عصبية يمكنها تحسين مسار الروبوت إلى كائن ما. 

"هذه أيضًا هي الطريقة التي يتعلم بها دماغنا. نحصل على مكافأة من معلمينا ، من آبائنا ، من لعبة كمبيوتر ، إلخ. نفس الشيء يحدث في التعلم المعزز. نترك الوكيل يخطئ أو يفعل شيئًا صحيحًا ثم نعاقب الشبكة أو نكافئها. هذه هي الطريقة التي تتعلم بها الشبكة شيئًا يصعب حقًا تصميمه "، يشرح بوروشكي.

تمت مكافأة خوارزمية التحسين في RFusion عندما حدت من عدد الحركات لتوطين العنصر والمسافة المقطوعة لاستلامه. 

اختبار RFusion

اختبر الباحثون النظام في عدة بيئات ، بما في ذلك واحدة تم فيها دفن سلسلة مفاتيح في صندوق مليء بالفوضى وجهاز تحكم عن بعد مخبأ تحت كومة من الأشياء على الأريكة.

لقد اتخذوا نهج تلخيص قياسات الترددات اللاسلكية وقصر البيانات المرئية على المنطقة أمام الروبوت مباشرةً حتى لا تربك النظام. نتج عن ذلك معدل نجاح بنسبة 96 بالمائة عند استرداد الأشياء المخفية تمامًا تحت كومة. 

"في بعض الأحيان ، إذا كنت تعتمد فقط على قياسات الترددات اللاسلكية ، فسيكون هناك استثناء ، وإذا كنت تعتمد فقط على الرؤية ، فسيكون هناك خطأ من الكاميرا في بعض الأحيان. لكن إذا جمعتهم ، فسوف يصححون بعضهم البعض. هذا ما جعل النظام قويًا للغاية ، "كما يقول بوروشكي.

ماثيو إس. رينولدز هو زميل الابتكار الرئاسي في CoMotion وأستاذ مشارك في الهندسة الكهربائية وهندسة الكمبيوتر في جامعة واشنطن. 

"في 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 إلى الروبوتات المستقلة التي يمكنها الحفر عبر كومة من العناصر المختلطة وفرزها باستخدام البيانات المخزنة في علامات RFID، بكفاءة أكبر بكثير من الاضطرار إلى فحص كل عنصر على حدة، خاصة عندما تبدو العناصر متشابهة يقول رينولدز: "نظام رؤية الكمبيوتر". "يعد نهج RFusion خطوة رائعة إلى الأمام بالنسبة للروبوتات العاملة في سلاسل التوريد المعقدة حيث يعد تحديد العنصر المناسب و"انتقاءه" بسرعة ودقة هو المفتاح لتحقيق الطلبات في الوقت المحدد والحفاظ على سعادة العملاء المتطلبين."

سيتطلع الباحثون الآن إلى زيادة سرعة النظام لتحريكه بسلاسة.