Úplně integrovaná robotická ruka lokalizuje a získá ztracené předměty

Výzkumníci z Massachusettského technologického institutu vyvinuli zcela integrovanou robotickou ruku, která kombinuje vizuální data z kamery a rádiové frekvenční informace z antény pro lokalizaci a získání ztracených předmětů. Může lokalizovat předměty i v případě, že jsou pohřbeny nebo mimo dosah.

Systém se nazývá RFusion a prototyp využívá RFID značky, které jsou levné, bezbateriové značky, které odrážejí signály vysílané anténou. RF signály mohou projít většinou povrchů, takže RFusion může lokalizovat označený předmět i v případě, že je pohřben.

Robotická ruka používá strojové učení pro automatické zaměřování na přesnou polohu předmětu. Poté může přesunout předměty nad ním, uchopit předmět a ověřit, zda je to správný předmět. Kamera, anténa, robotická ruka a umělá inteligence jsou plně integrované, což znamená, že systém může fungovat v jakémkoli prostředí bez nutnosti rozsáhlé konfigurace.

Podle výzkumníků by mohl být RFusion použit pro aplikace, jako je třídění předmětů pro splnění objednávek ve skladu nebo identifikace a instalace součástí v automobilovém závodě.

Fadel Adib je senior autor a asociativní profesor na katedře elektrotechniky a počítačových věd. Adib je také ředitel skupiny Signal Kinetics v laboratoři MIT.

“Tato myšlenka být schopni najít předměty v chaotickém světě je otevřeným problémem, na kterém jsme pracovali několik let. Mít roboty, které jsou schopny hledat věci pod kupou, je rostoucí potřeba v průmyslu dnes. V současné době můžete myslet na toto jako Roomba na steroidích, ale v blízké budoucnosti by to mohlo mít mnoho aplikací v制造bě a skladování,” řekl Adib.

Dalšími spoluautory výzkumu jsou výzkumná asistentka Tara Boroushaki, hlavní autor; student elektrotechniky a počítačových věd Isaac Perper; výzkumný asistent Mergen Nachin; a Alberto Rodriguez, profesor na katedře mechanického inženýrství.

Výzkum bude prezentován na konferenci Association for Computing Machinery Conference on Embedded Networked Sensor Systems příští měsíc.

Školení systému

Výzkumníci použili učení s posilováním pro školení neuronové sítě, která může optimalizovat trajektorii robota k předmětu.

“To je také to, jak naše mozek učí. Získáváme odměny od našich učitelů, od našich rodičů, od počítačové hry atd. Stejné věci se dějí v učení s posilováním. Dovolíme agentovi udělat chyby nebo něco udělat správně a poté budeme trestat nebo odměňovat síť. To je to, jak síť učí něco, co je pro ni opravdu těžké modelovat,” vysvětluje Boroushaki.

Optimalizační algoritmus v RFusion byl odměněn, když omezil počet pohybů pro lokalizaci předmětu a vzdálenost cestování pro jeho vyzvednutí.

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

Testování RFusion

Výzkumníci otestovali systém v několika prostředích, včetně jednoho, ve kterém byl klíčenka pohřben v krabici plné nečistot a ovladač byl skryt pod kupou předmětů na gauči.

Použili přístup shrnutí RF měření a omezení vizuálních dat na oblast přímo před robotem, aby systém nebyl přetížen. To vedlo k 96% úspěšnosti při získání předmětů, které byly zcela skryty pod kupou.

“Někdy, pokud se spoléháte pouze na RF měření, bude tam být outlier, a pokud se spoléháte pouze na vizi, bude tam někdy chyba z kamery. Ale pokud je kombinujete, budou se navzájem opravovat. To je to, co učinilo systém tak robustním,” říká Boroushaki.

Matthew S. Reynolds je CoMotion Presidential Innovation Fellow a asociativní profesor elektrotechniky a počítačových věd na University of Washington.

“Každý rok se používají miliardy RFID značek pro identifikaci předmětů v dnešních složitých dodavatelských řetězcích, včetně oděvů a mnoha dalších spotřebních zboží. Přístup RFusion ukazuje cestu k autonomním robotům, které mohou procházet kupou smíšenými předměty a třídit je pomocí dat uložených v RFID značkách, mnohem efektivněji než kdybychom museli kontrolovat každý předmět jednotlivě, zejména když předměty vypadají podobně pro počítačový vizuální systém,” říká Reynolds. “Přístup RFusion je velkým krokem vpřed pro robotiku fungující v složitých dodavatelských řetězcích, kde identifikace a ‘získání’ správného předmětu rychle a přesně je klíčem k tomu, aby byly objednávky splněny včas a nároční zákazníci byli spokojeni.”

Výzkumníci se nyní budou snažit zvýšit rychlost systému, aby jej mohli hladce pohybovat.