Πλήρως Ενοποιημένο Ρομποτικό Βραχίονα Τοποθετεί και Ανακτά Χαμένα Αντικείμενα

Ερευνητές στο Ινστιτούτο Τεχνολογίας της Μασαχουσέτης έχουν αναπτύξει ένα πλήρως ενοποιημένο ρομποτικό βραχίονα που συνδυάζει οπτικά δεδομένα από μια κάμερα και ραδιοσυχνότητα (RF) πληροφορίες από μια κεραία για να τοποθετήσει και να ανακτήσει χαμένα αντικείμενα. Μπορεί να τοποθετήσει αντικείμενα ακόμη και αν είναι θαμμένα ή εκτός οράσεως.

Το σύστημα ονομάζεται RFusion, και το πρωτότυπο βασίζεται σε ετικέτες RFID, οι οποίες είναι φθηνές, без μπαταρίας ετικέτες που αντανακλούν σήματα που στέλνονται από μια κεραία. Τα σήματα RF μπορούν να διαπεράσουν τις περισσότερες επιφάνειες, οπότε το RFusion μπορεί να τοποθετήσει ένα ετικετεμένο αντικείμενο ακόμη και αν είναι θαμμένο.

Ο ρομποτικός βραχίονας χρησιμοποιεί μηχανική μάθηση για να εστιάσει αυτόματα στην ακριβή θέση του αντικειμένου. Στη συνέχεια, μπορεί να μετακινήσει τα αντικείμενα πάνω του, να πιάσει το αντικείμενο και να επιβεβαιώσει ότι είναι το σωστό αντικείμενο. Η κάμερα, η κεραία, ο ρομποτικός βραχίονας και η τεχνητή νοημοσύνη είναι πλήρως ενοποιημένα, που σημαίνει ότι το σύστημα μπορεί να λειτουργήσει σε οποιοδήποτε περιβάλλον χωρίς να απαιτεί εκτεταμένη εγκατάσταση.

Σύμφωνα με τους ερευνητές, το RFusion θα μπορούσε να χρησιμοποιηθεί για εφαρμογές όπως η ταξινόμηση μέσα από σωρούς για την εκπλήρωση εντολών σε ένα αποθήκη, ή για την αναγνώριση και εγκατάσταση组件 σε ένα εργοστάσιο αυτοκινήτων.

Ο Fadel Adib είναι senior author και αναπληρωτής καθηγητής στο Τμήμα Ηλεκτρολογικής Μηχανικής και Επιστήμης Υπολογιστών. Ο Adib είναι επίσης διευθυντής της ομάδας Signal Kinetics στο MIT Medical Lab.

“Αυτή η ιδέα της αναζήτησης αντικειμένων σε ένα χαοτικό κόσμο είναι ένα ανοιχτό πρόβλημα που δουλεύουμε για quelques χρόνια. Έχουμε ρομπότ που μπορούν να ψάξουν για πράγματα κάτω από einen σωρό είναι μια αυξανόμενη ανάγκη στη βιομηχανία σήμερα. Σκέψου αυτό ως ένα Roomba σε στεροειδή, αλλά στο κοντινό μέλλον, αυτό θα μπορούσε να έχει πολλές εφαρμογές σε περιβάλλοντα κατασκευής και αποθήκης,” είπε ο Adib.

Άλλοι συν-συγγραφείς της έρευνας περιλαμβάνουν τον ερευνητικό βοηθό Tara Boroushaki, τον κύριο συγγραφέα, τον φοιτητή ηλεκτρολογικής μηχανικής και επιστήμης υπολογιστών Isaac Perper, τον ερευνητικό συνεργάτη Mergen Nachin και τον Alberto Rodriguez, τον καθηγητή του Τμήματος Μηχανολογικής Μηχανικής.

Η έρευνα πρόκειται να παρουσιαστεί στη Συνέδριο της Association for Computing Machinery για τα Ενσωματωμένα Δίκτυα Αισθητήρων τον επόμενο μήνα.

Εκπαίδευση του Συστήματος

Οι ερευνητές χρησιμοποίησαν ενισχυμένη μάθηση για να εκπαιδεύσουν ένα νευρωνικό δίκτυο που μπορεί να βελτιστοποιήσει την τροχιά του ρομπότ προς ένα αντικείμενο.

“Αυτό είναι επίσης το πώς το μυαλό μας μαθαίνει. Λαμβάνουμε ανταμοιβές από τους δασκάλους μας, από τους γονείς μας, από ένα υπολογιστικό παιχνίδι, κ.λπ. Το ίδιο συμβαίνει και στην ενισχυμένη μάθηση. Αφήνουμε το πράγμα να κάνει λάθη ή να κάνει κάτι σωστό και στη συνέχεια τιμωρούμε ή ανταμείβουμε το δίκτυο. Αυτός είναι ο τρόπος με τον οποίο το δίκτυο μαθαίνει κάτι που είναι πραγματικά δύσκολο για αυτό να μοντελοποιηθεί,” εξηγεί ο Boroushaki.

Ο αλγόριθμος βελτιστοποίησης στο RFusion ανταμείφθηκε όταν περιόρισε τον αριθμό των κινήσεων για να τοποθετήσει το αντικείμενο και την απόσταση που ταξίδεψε για να το πιάσει.

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

Δοκιμή του RFusion

Οι ερευνητές δοκιμάσαν το σύστημα σε διάφορα περιβάλλοντα, συμπεριλαμβανομένου ενός περιβάλλοντος όπου ένα κλειδί ήταν θαμμένο σε ένα κουτί γεμάτο ακαταστασία και ένα τηλεχειριστήριο κρυβό κάτω από einen σωρό αντικειμένων σε ένα καναπέ.

Πήραν την προσέγγιση της περίληψης των μετρήσεων RF και της περιορισμού των οπτικών δεδομένων στην περιοχή ακριβώς μπροστά από το ρομπότ, προκειμένου να μην υπερφορτώσουν το σύστημα. Αυτό οδήγησε σε ποσοστό επιτυχίας 96% όταν ανακτήθηκαν αντικείμενα που ήταν πλήρως κρυμμένα κάτω από einen σωρό.

“Κάποιες φορές, αν εξαρτηθείτε μόνο από μετρήσεις RF, θα υπάρχει ένας εξόριστος, και αν εξαρτηθείτε μόνο από όραση, θα υπάρχει κάποιο λάθος από την κάμερα. Αλλά αν τα συνδυάσετε, θα διορθώσουν ο ένας τον άλλον. Αυτό είναι που έκανε το σύστημα τόσο robust,” λέει ο Boroushaki.

Ο Matthew S. Reynolds είναι CoMotion Presidential Innovation Fellow και αναπληρωτής καθηγητής ηλεκτρολογικής και υπολογιστικής μηχανικής στο Πανεπιστήμιο του Вашινγκτόν.

“Κάθε χρόνο, δισεκατομμύρια ετικέτες RFID χρησιμοποιούνται για την αναγνώριση αντικειμένων στις σημερινές σύνθετες αλυσίδες εφοδιασμού, συμπεριλαμβανομένων ενδυμάτων και πολλών άλλων καταναλωτικών αγαθών. Η προσέγγιση του RFusion δείχνει τον δρόμο για αυτόνομα ρομπότ που μπορούν να ψάξουν μέσα σε einen σωρό αντικειμένων και να τα ταξινομήσουν χρησιμοποιώντας τα δεδομένα που αποθηκεύονται στις ετικέτες RFID, πολύ πιο αποτελεσματικά από το να ελέγξουν κάθε αντικείμενο ξεχωριστά, ιδιαίτερα όταν τα αντικείμενα μοιάζουν με ένα σύστημα όρασης υπολογιστή,” λέει ο Reynolds. “Η προσέγγιση του RFusion είναι ένα μεγάλο βήμα προς τα εμπρός για τη ρομποτική που λειτουργεί σε σύνθετες αλυσίδες εφοδιασμού, όπου η αναγνώριση και η ‘επίλεξη’ του σωστού αντικειμένου γρήγορα και ακριβώς είναι το κλειδί για την εκπλήρωση των εντολών εγκαίρως και την ικανοποίηση των απαιτητικών πελατών.”

Οι ερευνητές θα κοιτάξουν τώρα να αυξήσουν την ταχύτητα του συστήματος για να το κάνουν να λειτουργεί ομαλά.