Lengan Robot Terintegrasi Penuh Menemukan dan Mengambil Barang yang Hilang

Peneliti di Massachusetts Institute of Technology telah mengembangkan lengan robot terintegrasi penuh yang menggabungkan data visual dari kamera dan informasi radio frekuensi (RF) dari antena untuk menemukan dan mengambil objek yang hilang. Ini dapat menemukan objek bahkan jika mereka terkubur atau tidak terlihat.

Sistem ini disebut RFusion, dan prototipenya menggunakan tag RFID, yang merupakan tag murah dan tanpa baterai yang memantulkan sinyal yang dikirim oleh antena. Sinyal RF dapat melewati sebagian besar permukaan, sehingga RFusion dapat menemukan item yang diberi tag bahkan jika terkubur.

Lengan robot menggunakan pembelajaran mesin untuk secara otomatis menemukan lokasi objek yang tepat. Kemudian, lengan robot dapat memindahkan objek di atasnya, menggenggam objek, dan memverifikasi bahwa itu adalah objek yang benar. Kamera, antena, lengan robot, dan AI sepenuhnya terintegrasi, yang berarti sistem dapat beroperasi di lingkungan apa pun tanpa memerlukan pengaturan yang luas.

Menurut peneliti, RFusion dapat digunakan untuk aplikasi seperti menyortir tumpukan untuk memenuhi pesanan di gudang, atau untuk mengidentifikasi dan memasang komponen di pabrik manufaktur mobil.

Fadel Adib adalah penulis senior dan profesor asosiasi di Departemen Teknik Elektro dan Ilmu Komputer. Adib juga direktur grup Signal Kinetics di MIT Medical Lab.

“Ide ini tentang menemukan barang di dunia yang kacau adalah masalah terbuka yang telah kami kerjakan selama beberapa tahun. Memiliki robot yang dapat mencari sesuatu di bawah tumpukan adalah kebutuhan yang tumbuh di industri saat ini. Saat ini, Anda dapat memikirkan ini sebagai Roomba pada steroid, tetapi dalam jangka panjang, ini dapat memiliki banyak aplikasi di lingkungan manufaktur dan gudang,” kata Adib.

Penulis lain dari penelitian ini termasuk asisten penelitian Tara Boroushaki, penulis utama; mahasiswa pascasarjana teknik elektro dan ilmu komputer Isaac Perper; asisten penelitian Mergen Nachin; dan Alberto Rodriguez, Profesor Asosiasi Kelas 1957 di Departemen Teknik Mesin.

Penelitian ini akan disajikan di Konferensi Asosiasi untuk Sistem Sensor Jaringan Terbenam bulan depan.

Melatih Sistem

Peneliti menggunakan pembelajaran penguatan untuk melatih jaringan saraf yang dapat mengoptimalkan jalur robot ke objek.

“Ini juga bagaimana otak kita belajar. Kita mendapatkan penghargaan dari guru, orang tua, permainan komputer, dll. Hal yang sama terjadi dalam pembelajaran penguatan. Kita membiarkan agen membuat kesalahan atau melakukan sesuatu yang benar dan kemudian kita menghukum atau menghargaikan jaringan. Ini adalah bagaimana jaringan belajar sesuatu yang sangat sulit untuk dimodelkan,” jelas Boroushaki.

Algoritma optimasi di RFusion diberi penghargaan ketika membatasi jumlah gerakan untuk memperkirakan lokasi item dan jarak yang ditempuh untuk mengambilnya.

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

Menguji RFusion

Peneliti menguji sistem ini di beberapa lingkungan, termasuk satu di mana kunci gantung terkubur di dalam kotak yang penuh dengan sampah dan remote control tersembunyi di bawah tumpukan barang di sofa.

Mereka mengambil pendekatan dengan merangkum pengukuran RF dan membatasi data visual ke area di depan robot untuk tidak membebani sistem. Ini menghasilkan tingkat keberhasilan 96 persen ketika mengambil objek yang sepenuhnya tersembunyi di bawah tumpukan.

“Terkadang, jika Anda hanya mengandalkan pengukuran RF, ada kemungkinan akan ada outlier, dan jika Anda mengandalkan visi saja, ada kemungkinan akan terjadi kesalahan dari kamera. Tapi jika Anda menggabungkan keduanya, mereka akan saling mengoreksi. Itulah yang membuat sistem ini sangat kuat,” kata Boroushaki.

Matthew S. Reynolds adalah Rekan Inovasi Presiden CoMotion dan profesor asosiasi teknik elektro dan komputer di Universitas Washington.

“Setiap tahun, miliaran tag RFID digunakan untuk mengidentifikasi objek di rantai pasokan yang kompleks saat ini, termasuk pakaian dan banyak barang konsumen lainnya. Pendekatan RFusion menunjukkan jalan bagi robot otonom yang dapat menggali tumpukan barang campuran dan menyortirnya menggunakan data yang disimpan dalam tag RFID, jauh lebih efisien daripada harus memeriksa setiap item secara individual, terutama ketika item tersebut terlihat mirip dengan sistem visi komputer,” kata Reynolds. “Pendekatan RFusion adalah langkah besar untuk robotika yang beroperasi di rantai pasokan yang kompleks di mana mengidentifikasi dan ‘mengambil’ item yang tepat dengan cepat dan akurat adalah kunci untuk memenuhi pesanan tepat waktu dan membuat pelanggan yang menuntut senang.”

Peneliti sekarang akan meningkatkan kecepatan sistem untuk memindahkannya dengan lancar.