Vollintegrierter Roboterarm Lokalisiert und Holt Verlorene Gegenstände

Forscher am Massachusetts Institute of Technology haben einen vollintegrierten Roboterarm entwickelt, der visuelle Daten von einer Kamera und Radiofrequenz- (RF-) Informationen von einer Antenne kombiniert, um verlorene Objekte zu lokalisieren und zu bergen. Er kann Objekte sogar dann lokalisieren, wenn sie begraben oder außer Sichtweite sind.

Das System heißt RFusion, und das Prototyp-Modell verwendet RFID-Tags, die preisgünstige, batterielose Tags sind, die Signale reflektieren, die von einer Antenne gesendet werden. RF-Signale können durch die meisten Oberflächen reisen, sodass RFusion ein markiertes Objekt sogar dann lokalisieren kann, wenn es begraben ist.

Der Roboterarm verwendet maschinelles Lernen, um automatisch den genauen Ort des Objekts zu bestimmen. Er kann dann die Gegenstände auf dem Objekt bewegen, es greifen und überprüfen, ob es das richtige Objekt ist. Die Kamera, Antenne, Roboterarm und künstliche Intelligenz sind vollständig integriert, was bedeutet, dass das System in jedem Umfeld ohne umfangreiche Einrichtung betrieben werden kann.

Laut den Forschern könnte RFusion für Anwendungen wie das Durchsuchen von Haufen, um Bestellungen in einem Lager zu erfüllen, oder das Identifizieren und Installieren von Komponenten in einer Automobilfabrik verwendet werden.

Fadel Adib ist Senior-Autor und Associate Professor im Department of Electrical Engineering and Computer Science. Adib ist auch Leiter der Signal Kinetics-Gruppe im MIT Medical Lab.

“Die Idee, Gegenstände in einer chaotischen Welt zu finden, ist ein offenes Problem, an dem wir seit einigen Jahren arbeiten. Roboter, die in der Lage sind, nach Dingen in einem Haufen zu suchen, sind ein wachsendes Bedürfnis in der heutigen Industrie. Man kann sich das vorstellen wie einen Roomba auf Steroiden, aber in naher Zukunft könnte dies viele Anwendungen in der Fertigung und Lagerhaltung haben”, sagte Adib.

Andere Co-Autoren der Forschung sind Forschungsassistentin Tara Boroushaki, die Lead-Autorin; der Doktorand im Bereich Elektrotechnik und Informatik Isaac Perper; Forschungsassistent Mergen Nachin; und Alberto Rodriguez, Associate Professor im Department of Mechanical Engineering.

Die Forschung soll nächsten Monat auf der Association for Computing Machinery Conference on Embedded Networked Sensor Systems präsentiert werden.

Das Trainieren des Systems

Die Forscher verwendeten verstärkendes Lernen, um ein neuronales Netzwerk zu trainieren, das die Roboter-Bewegung zu einem Objekt optimieren kann.

“Das ist auch, wie unser Gehirn lernt. Wir bekommen Belohnungen von unseren Lehrern, von unseren Eltern, von einem Computerspiel usw. Das gleiche passiert bei verstärkendem Lernen. Wir lassen den Agenten Fehler machen oder etwas Richtiges tun und dann bestrafen oder belohnen wir das Netzwerk. So lernt das Netzwerk etwas, das wirklich schwer für es zu modellieren ist”, erklärt Boroushaki.

Der Optimierungsalgorithmus in RFusion wurde belohnt, wenn er die Anzahl der Bewegungen, um das Objekt zu lokalisieren, und die zurückgelegte Strecke, um es aufzunehmen, begrenzte.

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

Das Testen von RFusion

Die Forscher testeten das System in verschiedenen Umgebungen, darunter eine, in der ein Schlüsselanhänger in einer Schachtel voller Unordnung begraben war und eine Fernbedienung unter einem Haufen von Gegenständen auf einem Sofa versteckt war.

Sie nahmen die Methode, die RF-Messungen zusammenzufassen und die visuellen Daten auf den Bereich direkt vor dem Roboter zu beschränken, um das System nicht zu überfordern. Dies führte zu einer Erfolgsrate von 96 Prozent bei der Bergung von Objekten, die vollständig unter einem Haufen versteckt waren.

“Manchmal, wenn man sich nur auf RF-Messungen verlässt, gibt es einen Ausreißer, und wenn man sich nur auf die Sicht verlässt, gibt es manchmal einen Fehler von der Kamera. Aber wenn man sie kombiniert, korrigieren sie sich gegenseitig. Das ist, was das System so robust gemacht hat”, sagt Boroushaki.

Matthew S. Reynolds ist CoMotion Presidential Innovation Fellow und Associate Professor für Elektrotechnik und Informatik an der University of Washington.

“Jedes Jahr werden Milliarden von RFID-Tags verwendet, um Objekte in den heutigen komplexen Lieferketten zu identifizieren, einschließlich Kleidung und vielen anderen Konsumgütern. Der RFusion-Ansatz zeigt den Weg zu autonomen Robotern, die durch einen Haufen von gemischten Gegenständen graben und sie sortieren können, indem sie die in den RFID-Tags gespeicherten Daten verwenden, viel effizienter als wenn man jedes Objekt einzeln untersuchen müsste, besonders wenn die Objekte für ein Computersichtsystem ähnlich aussehen”, sagt Reynolds. “Der RFusion-Ansatz ist ein großer Schritt nach vorne für die Robotik in komplexen Lieferketten, in denen das schnelle und genaue Identifizieren und ‘Aufnehmen’ des richtigen Objekts der Schlüssel zum rechtzeitigen Erfüllen von Bestellungen und zum Halten von anspruchsvollen Kunden zufrieden ist.”

Die Forscher werden nun versuchen, die Geschwindigkeit des Systems zu erhöhen, um es reibungslos zu machen.