Il braccio robotico completamente integrato individua e recupera gli oggetti smarriti

I ricercatori del Massachusetts Institute of Technology hanno sviluppato un braccio robotico completamente integrato che fonde i dati visivi di una telecamera e le informazioni in radiofrequenza (RF) di un'antenna per localizzare e recuperare gli oggetti smarriti. Può localizzare oggetti anche se sono sepolti o fuori vista. 

Il sistema si chiama RFusion e il prototipo si basa su tag RFID, che sono tag economici e senza batteria che riflettono i segnali inviati da un'antenna. I segnali RF possono viaggiare attraverso la maggior parte delle superfici, quindi RFusion può individuare un oggetto etichettato anche se è sepolto. 

Il braccio robotico utilizza l'apprendimento automatico per individuare automaticamente la posizione esatta dell'oggetto. Può quindi spostare gli oggetti sopra di esso, afferrare l'oggetto e verificare che sia l'oggetto corretto. La fotocamera, l'antenna, il braccio robotico e l'intelligenza artificiale sono completamente integrati, il che significa che il sistema può funzionare in qualsiasi ambiente senza richiedere una configurazione approfondita.

Secondo i ricercatori, RFusion potrebbe essere utilizzato per applicazioni come lo smistamento di pile per evadere gli ordini in un magazzino o per identificare e installare componenti in un impianto di produzione di automobili.

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

“Questa idea di poter trovare oggetti in un mondo caotico è un problema aperto su cui lavoriamo da alcuni anni. Avere robot in grado di cercare oggetti sotto una pila è oggi un'esigenza crescente nell'industria. In questo momento, puoi pensare a questo come a un Roomba sotto steroidi, ma a breve termine potrebbe avere molte applicazioni negli ambienti di produzione e magazzino ", ha affermato Adib. 

Altri coautori della ricerca includono l'assistente di ricerca Tara Boroushaki, l'autore principale; lo studente laureato in ingegneria elettrica e informatica Isaac Perper; ricercatore associato Mergen Nachin; e Alberto Rodriguez, Classe 1957 Professore Associato presso il Dipartimento di Ingegneria Meccanica.

La ricerca sarà presentata alla conferenza dell'Association for Computing Machinery on Embedded Networked Sensor Systems il mese prossimo. 

Addestrare il Sistema

I ricercatori hanno utilizzato l'apprendimento per rinforzo per addestrare una rete neurale in grado di ottimizzare la traiettoria del robot verso un oggetto. 

“Questo è anche il modo in cui il nostro cervello impara. Veniamo ricompensati dai nostri insegnanti, dai nostri genitori, da un gioco per computer, ecc. La stessa cosa accade nell'apprendimento per rinforzo. Lasciamo che l'agente commetta errori o faccia qualcosa di giusto e poi puniamo o ricompensiamo la rete. È così che la rete apprende qualcosa che è davvero difficile da modellare", spiega Boroushaki.

L'algoritmo di ottimizzazione in RFusion è stato premiato quando ha limitato il numero di spostamenti per localizzare l'oggetto e la distanza percorsa per raccoglierlo. 

Testare RFusion

I ricercatori hanno testato il sistema in diversi ambienti, tra cui uno in cui un portachiavi era sepolto in una scatola piena di disordine e un telecomando nascosto sotto una pila di oggetti su un divano.

Hanno adottato l'approccio di riassumere le misurazioni RF e limitare i dati visivi all'area proprio di fronte al robot per non sovraccaricare il sistema. Ciò ha comportato una percentuale di successo del 96% durante il recupero di oggetti completamente nascosti sotto una pila. 

“A volte, se ti affidi solo alle misurazioni RF, ci sarà un valore anomalo e se ti affidi solo alla visione, a volte ci sarà un errore dalla fotocamera. Ma se li combini, si correggeranno a vicenda. Questo è ciò che ha reso il sistema così robusto", afferma Boroushaki.

Matthew S. Reynolds è CoMotion Presidential Innovation Fellow e professore associato di ingegneria elettrica e informatica presso l'Università di Washington. 

“Ogni anno, miliardi di tag RFID vengono utilizzati per identificare oggetti nelle complesse catene di fornitura di oggi, inclusi abbigliamento e molti altri beni di consumo. L'approccio RFusion indica la strada a robot autonomi che possono scavare in una pila di articoli misti e ordinarli utilizzando i dati memorizzati nelle etichette RFID, in modo molto più efficiente rispetto a dover ispezionare ogni articolo individualmente, soprattutto quando gli articoli sembrano simili a un sistema di visione artificiale”, afferma Reynolds. “L’approccio RFusion rappresenta un grande passo avanti per la robotica che opera in catene di fornitura complesse, dove identificare e “scegliere” l’articolo giusto in modo rapido e accurato è la chiave per evadere gli ordini in tempo e soddisfare i clienti esigenti”.

I ricercatori cercheranno ora di aumentare la velocità del sistema per spostarlo senza intoppi.