완전 통합 로봇 암이 손실된 항목을 찾고 회수합니다

매사추세츠 공과 대학의 연구자들은 카메라에서 시각 데이터와 안테나에서 라디오 주파수(RF) 정보를 융합하여 손실된 객체를 찾고 회수하는 완전 통합 로봇 암을 개발했습니다. 그것은 객체가 매장되거나 시야에서 벗어난 경우에도 객체를 찾을 수 있습니다.

이 시스템은 RFusion이라고 하며, 프로토タイプ은 저렴하고 배터리가 없는 RFID 태그에 의존합니다. RFID 태그는 안테나가 송신하는 신호를 반사하는 태그입니다. RF 신호는 대부분의 표면을 통과할 수 있으므로 RFusion은 태그가 매장되어 있더라도 항목을 찾을 수 있습니다.

로봇 암은 기계 학습을 사용하여 객체의 정확한 위치를 자동으로 찾습니다. 그런 다음 객체 위에 있는 항목을 이동하고 객체를握하고 그것이 올바른 객체인지 확인할 수 있습니다. 카메라, 안테나, 로봇 암, AI는 모두 완전 통합되어 있으므로 시스템은 광범위한 설정 없이任何 환경에서 작동할 수 있습니다.

연구자에 따르면 RFusion은 창고에서 주문 충족을 위해 쌓아 올린 항목을 분류하거나 자동차 제조 공장에서 구성 요소를 식별하고 설치하는 것과 같은 응용 프로그램에서 사용될 수 있습니다.

Fadel Adib는 전기 공학 및 컴퓨터 과학부의 선임 저자이자 부교수입니다. Adib는 또한 MIT 의료 연구소의 Signal Kinetics 그룹의 책임자입니다.

“혼란한 세계에서 항목을 찾는다는 아이디어는 우리가 몇 년 동안 작업해 온 열린 문제입니다. 쌓인 항목 아래에서 것을 검색할 수 있는 로봇이 산업에서 점점 더 필요로 하고 있습니다. 지금 이것을 Roomba의 강화판으로 생각할 수 있지만, 가까운 미래에 이것은 제조 및 창고 환경에서 많은 응용 프로그램을 가질 수 있습니다.”라고 Adib는 말했습니다.

연구의 다른 공동 저자로는 연구 보조원 Tara Boroushaki, 선두 저자; 전기 공학 및 컴퓨터 과학 대학원생 Isaac Perper; 연구 협력자 Mergen Nachin; 및 Alberto Rodriguez, 기계 공학부의 1957년 졸업생 협회 교수가 있습니다.

이 연구는 다음 달에 임베디드 네트워크 센서 시스템 협회 회의에서 발표될 예정입니다.

시스템 훈련

연구자들은 객체로의 로봇의 궤적을 최적화할 수 있는 신경망을 훈련시키기 위해 강화 학습을 사용했습니다.

“이것은 우리의 뇌가 학습하는 방식과도 같습니다. 우리는 선생님, 부모, 컴퓨터 게임 등으로부터 보상을 받습니다. 강화 학습에서도 마찬가지입니다. 우리는 에이전트가 실수하거나 올바른 일을 할 수 있도록 하며, 네트워크를 처벌하거나 보상합니다. 이것이 네트워크가 어려운 것을 학습하는 방식입니다.”라고 Boroushaki는 설명합니다.

RFusion의 최적화 알고리즘은 항목을 찾기 위해 필요한 이동 수와 거리를 제한했을 때 보상을 받았습니다.

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

RFusion 테스트

연구자들은 여러 환경에서 시스템을 테스트했으며, 그 중 하나는 키체인이杂乱한 박스에 매장되어 있고 리모컨이 소파 위의 항목 아래에 숨겨져 있는 경우였습니다.

그들은 RF 측정을 요약하고 로봇 앞에 있는 영역의 시각 데이터를 제한하여 시스템을 압도하지 않도록했습니다. 이것은 96%의 성공률로 완전히 숨겨진 항목을 회수하는 결과를 낳았습니다.

“때때로 RF 측정만을 의존하면 아웃라이어가 발생할 수 있으며, 시각만을 의존하면 카메라에서 오류가 발생할 수 있습니다. 그러나 둘을 결합하면 서로를 보완할 수 있습니다. 이것이 시스템을 강력하게 만든 이유입니다.”라고 Boroushaki는 말합니다.

Matthew S. Reynolds는 워싱턴 대학교의 CoMotion 대통령 혁신 펠로우이자 전기 및 컴퓨터 공학부의 부교수입니다.

“매년 수십억 개의 RFID 태그가 오늘날의 복잡한 공급망에서 객체를 식별하는 데 사용됩니다. 의류 및 기타 많은 소비재를 포함하여. RFusion 접근법은 태그에 저장된 데이터를 사용하여 혼합된 항목을 분류하는 자율 로봇의 길을 보여줍니다. 이는 컴퓨터 비전 시스템에 의해 항목이 유사하게 보일 때 특히 효율적입니다. RFusion 접근법은 복잡한 공급망에서 로봇이 작동하는 데 큰 발전입니다. 여기서 항목을 빠르고 정확하게 식별하는 것이 주문이 시간에 맞게 충족되고 고객이 만족하는 데 핵심입니다.”라고 Reynolds는 말합니다.

연구자들은 이제 시스템의 속도를 높여서 부드럽게 작동하도록 할 것입니다.