Volledig geïntegreerde robotarm lokaliseert en haalt verloren voorwerpen op

Onderzoekers van het Massachusetts Institute of Technology hebben een volledig geïntegreerde robotarm ontwikkeld die visuele gegevens van een camera en radiofrequente (RF) informatie van een antenne combineert om verloren voorwerpen te lokaliseren en op te halen. Het kan voorwerpen lokaliseren, zelfs als ze begraven zijn of uit het zicht zijn.

Het systeem heet RFusion, en het prototype gebruikt RFID-tags, die goedkope, batterijloze tags zijn die signalen reflecteren die door een antenne worden verzonden. RF-signalen kunnen door de meeste oppervlakken reizen, dus RFusion kan een getagd voorwerp lokaliseren, zelfs als het begraven is.

De robotarm gebruikt machine learning om automatisch de exacte locatie van het voorwerp te bepalen. Vervolgens kan het de voorwerpen erboven verplaatsen, het voorwerp grijpen en verifiëren of het het juiste voorwerp is. De camera, antenne, robotarm en AI zijn volledig geïntegreerd, wat betekent dat het systeem in elke omgeving kan werken zonder uitgebreide instellingen te vereisen.

Volgens de onderzoekers kan RFusion worden gebruikt voor toepassingen zoals het sorteren van voorwerpen in een magazijn om bestellingen te vervullen, of om onderdelen te identificeren en te installeren in een autofabriek.

Fadel Adib is senior auteur en associate professor in de afdeling Elektrotechniek en Informatica. Adib is ook directeur van de Signal Kinetics-groep in het MIT Medical Lab.

“Het idee om voorwerpen in een chaotische wereld te kunnen vinden, is een open probleem waar we al een paar jaar aan werken. Het hebben van robots die kunnen zoeken naar dingen onder een hoop is een groeiende behoefte in de industrie van vandaag. Op dit moment kun je dit zien als een Roomba op steroïden, maar op korte termijn kan dit veel toepassingen hebben in de fabricage- en magazijnomgevingen,” zei Adib.

Andere co-auteurs van het onderzoek zijn onderzoeksassistent Tara Boroushaki, de lead auteur; elektrotechniek- en informatica-student Isaac Perper; onderzoeksmedewerker Mergen Nachin; en Alberto Rodriguez, de Class of 1957 Associate Professor in de afdeling Mechanische Ingenieurswetenschappen.

Het onderzoek zal volgende maand worden gepresenteerd op de Association for Computing Machinery Conference on Embedded Networked Sensor Systems.

Training van het systeem

De onderzoekers gebruikten versterkingsleren om een neurale netwerk te trainen dat de baan van de robot naar een voorwerp kan optimaliseren.

“Dit is ook hoe ons brein leert. We krijgen beloning van onze leraren, van onze ouders, van een computerspel, enz. Hetzelfde gebeurt bij versterkingsleren. We laten de agent fouten maken of iets goed doen en dan straffen of belonen we het netwerk. Zo leert het netwerk iets dat echt moeilijk voor het is om te modelleren,” legt Boroushaki uit.

De optimalisatie-algoritme in RFusion werd beloond wanneer het het aantal bewegingen beperkte om het voorwerp te lokaliseren en de afstand die nodig was om het op te halen.

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

Testen van RFusion

De onderzoekers testten het systeem in verschillende omgevingen, waaronder een waarin een sleutelhanger begraven was in een doos vol rommel en een afstandsbediening verborgen lag onder een hoop voorwerpen op een bank.

Ze namen de benadering van het samenvatten van de RF-metingen en het beperken van de visuele gegevens tot het gebied recht voor de robot om het systeem niet te overweldigen. Dit resulteerde in een succespercentage van 96% bij het ophalen van voorwerpen die volledig verborgen lagen onder een hoop.

“Soms, als je alleen afhankelijk bent van RF-metingen, zal er een outlier zijn, en als je alleen afhankelijk bent van visie, zal er soms een fout zijn van de camera. Maar als je ze combineert, zullen ze elkaar corrigeren. Dat is wat het systeem zo robuust maakte,” zegt Boroushaki.

Matthew S. Reynolds is CoMotion Presidential Innovation Fellow en associate professor in de afdeling Elektrotechniek en Informatica aan de Universiteit van Washington.

“Elk jaar worden miljarden RFID-tags gebruikt om voorwerpen te identificeren in de complexe toeleveringsketens van vandaag, waaronder kleding en veel andere consumentenartikelen. De RFusion-benadering wijst de weg naar autonome robots die door een hoop gemengde voorwerpen kunnen graven en ze kunnen sorteren met behulp van de gegevens die zijn opgeslagen in de RFID-tags, veel efficiënter dan het inspecteren van elk voorwerp afzonderlijk, vooral wanneer de voorwerpen er voor een computersysteem hetzelfde uitzien,” zegt Reynolds. “De RFusion-benadering is een grote stap voorwaarts voor robotica die werkt in complexe toeleveringsketens waar het identificeren en ‘oppakken’ van het juiste voorwerp snel en nauwkeurig is om bestellingen op tijd te vervullen en veeleisende klanten tevreden te houden.”

De onderzoekers zullen nu proberen de snelheid van het systeem te verhogen om het soepel te laten werken.