Bras Robótique Entièrement Intégré Localise et Récupère les Objets Perdus

Les chercheurs du Massachusetts Institute of Technology ont développé un bras robótique entièrement intégré qui fusionne les données visuelles d’une caméra et les informations radiofréquence (RF) d’une antenne pour localiser et récupérer les objets perdus. Il peut localiser les objets même s’ils sont enterrés ou hors de vue. 

Le système s’appelle RFusion, et le prototype repose sur des étiquettes RFID, qui sont des étiquettes peu coûteuses et sans pile qui réfléchissent les signaux envoyés par une antenne. Les signaux RF peuvent traverser la plupart des surfaces, donc RFusion peut localiser un objet étiqueté même s’il est enterré. 

Le bras robótique utilise l’apprentissage automatique pour se concentrer automatiquement sur l’emplacement exact de l’objet. Il peut ensuite déplacer les objets qui se trouvent au-dessus de lui, saisir l’objet et vérifier qu’il s’agit de l’objet correct. La caméra, l’antenne, le bras robótique et l’IA sont entièrement intégrés, ce qui signifie que le système peut fonctionner dans n’importe quel environnement sans nécessiter une configuration extensive.

Selon les chercheurs, RFusion pourrait être utilisé pour des applications telles que le tri de piles pour remplir des commandes dans un entrepôt, ou pour identifier et installer des composants dans une usine de fabrication automobile.

Fadel Adib est l’auteur principal et professeur associé au département de génie électrique et d’informatique. Adib est également directeur du groupe Signal Kinetics au laboratoire médical du MIT. 

“L’idée de pouvoir trouver des objets dans un monde chaotique est un problème ouvert sur lequel nous travaillons depuis quelques années. Avoir des robots capables de rechercher des choses sous une pile est un besoin croissant dans l’industrie aujourd’hui. Pour l’instant, vous pouvez penser à cela comme un Roomba sur stéroïdes, mais à court terme, cela pourrait avoir de nombreuses applications dans la fabrication et les environnements d’entrepôt”, déclare Adib. 

Les autres co-auteurs de la recherche incluent l’assistante de recherche Tara Boroushaki, l’auteur principal ; l’étudiant diplômé en génie électrique et en informatique Isaac Perper ; l’associé de recherche Mergen Nachin ; et Alberto Rodriguez, professeur associé de la classe de 1957 au département de génie mécanique.

La recherche doit être présentée à la conférence de l’Association for Computing Machinery sur les systèmes de capteurs réseau intégrés le mois prochain. 

Formation du Système

Les chercheurs ont utilisé l’apprentissage par renforcement pour former un réseau de neurones qui peut optimiser la trajectoire du robot vers un objet. 

“C’est également de cette façon que notre cerveau apprend. Nous recevons des récompenses de nos enseignants, de nos parents, d’un jeu informatique, etc. La même chose se produit dans l’apprentissage par renforcement. Nous laissons l’agent faire des erreurs ou faire quelque chose de correct, puis nous punissons ou récompensons le réseau. C’est ainsi que le réseau apprend quelque chose qui est vraiment difficile pour lui à modéliser”, explique Boroushaki.

L’algorithme d’optimisation dans RFusion a été récompensé lorsqu’il a limité le nombre de mouvements pour localiser l’objet et la distance parcourue pour le ramasser. 

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

Test de RFusion

Les chercheurs ont testé le système dans plusieurs environnements, notamment un dans lequel une breloque était enterrée dans une boîte pleine de débris et une télécommande cachée sous une pile d’objets sur un canapé.

Ils ont adopté l’approche de résumer les mesures RF et de limiter les données visuelles à la zone située juste devant le robot afin de ne pas submerger le système. Cela a abouti à un taux de réussite de 96 % lors de la récupération d’objets entièrement cachés sous une pile. 

“Parfois, si vous ne vous fiez qu’aux mesures RF, il y aura une valeur aberrante, et si vous vous fiez uniquement à la vision, il y aura parfois une erreur de la caméra. Mais si vous les combinez, ils se corrigent mutuellement. C’est ce qui a rendu le système si robuste”, déclare Boroushaki.

Matthew S. Reynolds est CoMotion Presidential Innovation Fellow et professeur associé de génie électrique et d’informatique à l’Université de Washington. 

“Chaque année, des milliards d’étiquettes RFID sont utilisées pour identifier les objets dans les chaînes d’approvisionnement complexes d’aujourd’hui, notamment les vêtements et de nombreux autres biens de consommation. L’approche RFusion montre la voie à suivre pour les robots autonomes qui peuvent fouiller une pile d’objets mélangés et les trier en utilisant les données stockées dans les étiquettes RFID, de manière beaucoup plus efficace que d’avoir à inspecter chaque objet individuellement, en particulier lorsque les objets ressemblent à un système de vision informatique”, déclare Reynolds. “L’approche RFusion est un grand pas en avant pour la robotique opérant dans des chaînes d’approvisionnement complexes où identifier et ‘cueillir’ l’objet correct rapidement et avec précision est la clé pour remplir les commandes à temps et satisfaire les clients exigeants.”

Les chercheurs vont maintenant essayer d’augmenter la vitesse du système pour le rendre plus fluide.