Braccio Robotico Full-Integrated Localizza e Recupera Oggetti Smarriti

I ricercatori del Massachusetts Institute of Technology hanno sviluppato un braccio robotico full-integrated che fonde dati visivi da una telecamera e informazioni radio frequenti (RF) da un’antenna per localizzare e recuperare oggetti smarriti. Può localizzare oggetti anche se sono sepolti o fuori vista.

Il sistema si chiama RFusion, e il prototipo si basa su etichette RFID, che sono etichette economiche e senza batteria che riflettono i segnali inviati da un’antenna. I segnali RF possono attraversare la maggior parte delle superfici, quindi RFusion può localizzare un oggetto etichettato anche se è sepolto.

Il braccio robotico utilizza l’apprendimento automatico per azzerare automaticamente la posizione esatta dell’oggetto. Può quindi spostare gli oggetti sulla sua sommità, afferrare l’oggetto e verificare che sia l’oggetto corretto. La telecamera, l’antenna, il braccio robotico e l’AI sono completamente integrati, il che significa che il sistema può funzionare in qualsiasi ambiente senza richiedere un’installazione estensiva.

Secondo i ricercatori, RFusion potrebbe essere utilizzato per applicazioni come la ricerca di oggetti in un magazzino o l’identificazione e l’installazione di componenti in un impianto di produzione automobilistica.

Fadel Adib è l’autore senior e professore associato nel Dipartimento di Ingegneria Elettrica e Informatica. Adib è anche il direttore del gruppo Signal Kinetics nel MIT Medical Lab.

“L’idea di poter trovare oggetti in un mondo caotico è un problema aperto su cui stiamo lavorando da alcuni anni. Avere robot che possano cercare cose sotto un mucchio è una necessità crescente nell’industria di oggi. Al momento, puoi pensare a questo come un Roomba su steroidi, ma a breve termine, questo potrebbe avere molte applicazioni in ambienti di produzione e magazzino”, ha detto Adib.

Altri co-autori della ricerca includono l’assistente di ricerca Tara Boroushaki, l’autore principale; lo studente di laurea in ingegneria elettrica e informatica Isaac Perper; l’assistente di ricerca Mergen Nachin; e Alberto Rodriguez, il professore associato di Ingegneria Meccanica.

La ricerca sarà presentata alla Conferenza sulla rete di sensori embedded dell’Association for Computing Machinery il prossimo mese.

Addestramento del Sistema

I ricercatori hanno utilizzato l’apprendimento per rinforzo per addestrare una rete neurale che possa ottimizzare la traiettoria del robot verso un oggetto.

“Questo è anche come funziona il nostro cervello. Riceviamo ricompense dai nostri insegnanti, dai nostri genitori, da un gioco per computer, ecc. La stessa cosa accade nell’apprendimento per rinforzo. Lasciamo che l’agente faccia errori o faccia qualcosa di giusto e poi puniamo o premiamo la rete. È così che la rete impara qualcosa che è veramente difficile per lei da modellare”, spiega Boroushaki.

L’algoritmo di ottimizzazione in RFusion è stato premiato quando ha limitato il numero di mosse per localizzare l’oggetto e la distanza percorsa per prenderlo.

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

Test di RFusion

I ricercatori hanno testato il sistema in diversi ambienti, tra cui uno in cui una chiave era sepolta in una scatola piena di oggetti e un telecomando nascosto sotto un mucchio di oggetti su un divano.

Hanno adottato l’approccio di riassumere le misurazioni RF e limitare i dati visivi all’area direttamente di fronte al robot per non sovraccaricare il sistema. Ciò ha portato a un tasso di successo del 96% nel recupero di oggetti completamente nascosti sotto un mucchio.

“A volte, se si fa affidamento solo alle misurazioni RF, ci sarà un valore anomalo, e se si fa affidamento solo alla visione, ci sarà un errore della telecamera. Ma se si combinano, si correggono a vicenda. È questo che ha reso il sistema così robusto”, dice Boroushaki.

Matthew S. Reynolds è CoMotion Presidential Innovation Fellow e professore associato di ingegneria elettrica e informatica all’Università di Washington.

“Ogni anno, vengono utilizzati miliardi di etichette RFID per identificare oggetti nelle catene di approvvigionamento complesse di oggi, tra cui abbigliamento e molti altri beni di consumo. L’approccio RFusion indica la strada per robot autonomi che possono scavare attraverso un mucchio di oggetti misti e selezionarli utilizzando i dati archiviati nelle etichette RFID, molto più efficientemente di quanto non si debba ispezionare ogni oggetto individualmente, specialmente quando gli oggetti sembrano simili a un sistema di visione computerizzata”, dice Reynolds. “L’approccio RFusion è un grande passo avanti per la robotica che opera in catene di approvvigionamento complesse dove l’identificazione e la ‘scelta’ dell’oggetto giusto in modo rapido e preciso è la chiave per soddisfare gli ordini in tempo e mantenere i clienti esigenti felici.”

I ricercatori cercheranno ora di aumentare la velocità del sistema per renderlo più fluido.