Brazo Robótico Fully-Integrated Localiza y Recupera Objetos Perdidos

Los investigadores del Instituto de Tecnología de Massachusetts han desarrollado un brazo robótico fully-integrado que fusiona datos visuales de una cámara y información de radiofrecuencia (RF) de una antena para localizar y recuperar objetos perdidos. Puede localizar objetos incluso si están enterrados o fuera de vista.

El sistema se llama RFusion, y el prototipo depende de etiquetas RFID, que son etiquetas económicas y sin batería que reflejan las señales de una antena. Las señales de RF pueden viajar a través de la mayoría de las superficies, por lo que RFusion puede localizar un artículo etiquetado incluso si está enterrado.

El brazo robótico utiliza aprendizaje automático para enfocarse automáticamente en la ubicación exacta del objeto. Luego puede mover los artículos que están encima de él, agarrar el objeto y verificar que sea el objeto correcto. La cámara, la antena, el brazo robótico y la IA están completamente integrados, lo que significa que el sistema puede operar en cualquier entorno sin requerir una configuración extensa.

Según los investigadores, RFusion podría usarse para aplicaciones como clasificar a través de pilas para cumplir pedidos en un almacén, o para identificar y instalar componentes en una planta de fabricación de automóviles.

Fadel Adib es autor senior y profesor asociado en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación. Adib también es director del grupo Signal Kinetics en el Laboratorio Médico de MIT.

“Esta idea de poder encontrar artículos en un mundo caótico es un problema abierto en el que hemos estado trabajando durante unos años. Tener robots que puedan buscar cosas debajo de una pila es una necesidad creciente en la industria hoy en día. Ahora, puedes pensar en esto como un Roomba con esteroides, pero en el corto plazo, esto podría tener muchas aplicaciones en entornos de fabricación y almacén”, dijo Adib.

Otros coautores de la investigación incluyen a la asistente de investigación Tara Boroushaki, la autora principal; el estudiante de posgrado en ingeniería eléctrica y ciencias de la computación Isaac Perper; el asociado de investigación Mergen Nachin; y Alberto Rodriguez, el profesor asociado de la Clase de 1957 en el Departamento de Ingeniería Mecánica.

La investigación se presentará en la Conferencia de la Asociación para la Computación Móvil y los Sistemas de Sensores Embebidos de la ACM el próximo mes.

Entrenamiento del Sistema

Los investigadores utilizaron aprendizaje por refuerzo para entrenar una red neuronal que pueda optimizar la trayectoria del robot hacia un objeto.

“Esto también es cómo nuestro cerebro aprende. Recibimos recompensas de nuestros maestros, de nuestros padres, de un juego de computadora, etc. Lo mismo sucede en el aprendizaje por refuerzo. Dejamos que el agente cometa errores o haga algo correcto y luego castigamos o recompensamos a la red. Así es como la red aprende algo que es realmente difícil para ella modelar”, explica Boroushaki.

El algoritmo de optimización en RFusion se recompensó cuando limitó el número de movimientos para localizar el artículo y la distancia recorrida para recogerlo.

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

Pruebas de RFusion

Los investigadores probaron el sistema en varios entornos, incluyendo uno en el que una llavero estaba enterrado en una caja llena de desorden y un control remoto escondido debajo de una pila de artículos en un sofá.

Tomaron el enfoque de resumir las mediciones de RF y limitar los datos visuales al área justo frente al robot para no abrumar el sistema. Esto resultó en una tasa de éxito del 96 por ciento al recuperar objetos completamente ocultos debajo de una pila.

“A veces, si solo confías en las mediciones de RF, habrá un valor atípico, y si solo confías en la visión, habrá un error de la cámara. Pero si los combinas, se corregirán entre sí. Eso es lo que hizo que el sistema fuera tan robusto”, dice Boroushaki.

Matthew S. Reynolds es becario presidencial de innovación de CoMotion y profesor asociado de ingeniería eléctrica y computación en la Universidad de Washington.

“Cada año, se utilizan miles de millones de etiquetas RFID para identificar objetos en las complejas cadenas de suministro de hoy en día, incluyendo ropa y muchos otros bienes de consumo. El enfoque de RFusion apunta el camino hacia robots autónomos que pueden buscar en una pila de artículos mezclados y clasificarlos utilizando los datos almacenados en las etiquetas RFID, de manera mucho más eficiente que inspeccionar cada artículo individualmente, especialmente cuando los artículos se parecen a un sistema de visión por computadora”, dice Reynolds. “El enfoque de RFusion es un gran paso adelante para la robótica que opera en cadenas de suministro complejas donde identificar y ‘recoger’ el artículo correcto rápidamente y con precisión es la clave para cumplir los pedidos a tiempo y mantener a los clientes exigentes felices”.

Los investigadores ahora buscarán aumentar la velocidad del sistema para moverlo suavemente.