Täysin integroitu robottiääri löytää ja noutaa kadonneita esineitä

Massachusettsin teknillisen korkeakoulun tutkijat ovat kehittäneet täysin integroidun robottiäären, joka yhdistää visuaalidataa kamerasta ja radiofrekvenssitietoa antennista löytääkseen ja noutaakseen kadonneita esineitä. Se voi löytää esineitä, vaikka ne olisivat haudattuina tai näkymättömissä.

Järjestelmä on nimeltään RFusion, ja prototyyppi perustuu RFID-tageihin, jotka ovat halpoja, paristojen tarpeettomia tageja, jotka heijastavat antennin lähettämiä signaaleja. RF-signaalit voivat kulkeuttaa useimpien pintojen läpi, joten RFusion voi löytää tagatun esineen, vaikka se olisi haudattuna.

Robottiääri käyttää koneoppimista etsiäkseen esineen tarkan sijainnin. Se voi siirtää esineitä sen päällä, tarttua esineeseen ja vahvistaa, että se on oikea esine. Kamera, antenni, robottiääri ja tekoäly ovat täysin integroidut, mikä tarkoittaa, että järjestelmä voi toimia missä tahansa ympäristössä ilman laajaa asennusta.

Tutkijoiden mukaan RFusionia voidaan käyttää sovelluksissa, kuten esineiden lajitteluun varastoissa tai komponenttien tunnistamiseen ja asentamiseen autotehtaissa.

Fadel Adib on vanhempi tekijä ja apulaisprofessori sähkötekniikan ja tietotieteiden laitoksessa. Adib on myös Signal Kinetics -ryhmän johtaja MIT Medical Labissa.

“Tämä idea esineiden löytämisestä kaoottisessa maailmassa on avoin ongelma, jota olemme työstäneet jo useita vuosia. Robotit, jotka voivat etsiä asioita pinosta, ovat kasvava tarve teollisuudessa tänään. Voit ajatella tätä kuin Roomba-robottia, mutta lähitulevaisuudessa tämä voi olla sovellettavissa moniin sovelluksiin valmistus- ja varastoympäristöissä”, Adib sanoo.

Muiden tutkimuksen tekijöiden joukossa ovat tutkimusavustaja Tara Boroushaki, joka on ensisijainen tekijä; sähkötekniikan ja tietotieteiden opiskelija Isaac Perper; tutkimusavustaja Mergen Nachin; ja Alberto Rodriguez, joka on vuoden 1957 apulaisprofessori mekaniikan laitoksessa.

Tutkimus on tarkoitus esittää Association for Computing Machinery Conference on Embedded Networked Sensor Systems -konferenssissa ensi kuussa.

Robottiäären koulutus

Tutkijat käyttivät vahvistusoppimista kouluttaakseen neuroverkon, joka voi optimoida robotin reitin esineeseen.

“Tämä on myös se, miten aivot oppivat. Meidät palkitaan opettajilta, vanhemmilta, tietokonepelistä jne. Sama tapahtuu vahvistusoppimisessa. Annaamme agentin tehdä virheitä tai tehdä jotain oikein ja sitten rangaistamme tai palkitsemme verkkoa. Tämä on, miten verkko oppii jotain, joka on todella vaikeaa sille mallintaa”, Boroushaki selittää.

RFusionin optimointialgoritmi palkittiin, kun se rajoitti liikkeiden määrää esineen paikallistamiseksi ja etäisyyttä, jota matkattiin sen noutamiseksi.

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

RFusionin testaus

Tutkijat testasivat järjestelmää useissa ympäristöissä, mukaan lukien ympäristö, jossa avainnippu oli haudattu laatikkoon, joka oli täynnä roskaa, ja kaukosäädin, joka oli piilotettu pinon alle sohvalle.

He ottivat lähestymistavan, jossa RF-mittaukset tiivistiin ja visuaalidata rajoitettiin alueeseen, joka oli suoraan robotin edessä, jotta järjestelmää ei ylitetty. Tämä johti 96 prosentin onnistumisprosenttiin esineiden noutamisessa, jotka olivat täysin piilossa pinon alla.

“Joskus, jos riippuu vain RF-mittauksista, on mahdollista, että on poikkeama, ja jos riippuu vain visiosta, on mahdollista, että kamera tekee virheen. Mutta jos yhdistää ne, ne korjaavat toisensa. Se teki järjestelmästä hyvin kestävän”, Boroushaki sanoo.

Matthew S. Reynolds on CoMotion Presidential Innovation Fellow ja apulaisprofessori sähkötekniikan ja tietotieteiden laitoksessa Washingtonin yliopistossa.

“Joka vuosi käytetään miljardeja RFID-tageja esineiden tunnistamiseen tänään olevissa monimutkaisissa toimitusketjuissa, mukaan lukien vaatteet ja monet muut kuluttajatuotteet. RFusion-lähestymistapa osoittaa tien autonomisille roboteille, jotka voivat kaivaa pinon sekoittuneista esineistä ja lajitella ne RFID-tageissa tallennetun tiedon avulla paljon tehokkaammin kuin jokaisen esineen tarkastaminen yksin, erityisesti kun esineet näyttävät samanlaisilta tietokoneen näkökulmasta”, Reynolds sanoo. “RFusion-lähestymistapa on suuri askel eteenpäin robottiikan soveltamisessa monimutkaisiin toimitusketjuun, joissa esineiden nopea ja tarkka tunnistaminen on avain myöhästyneiden tilausten täyttämiseen ja vaativien asiakkaiden tyytyväisyyden ylläpitämiseen.”

Tutkijat aikovat nyt lisätä järjestelmän nopeutta, jotta se toimisi sulavasti.