Pełnie zintegrowany Roboticzny Ramień Lokalizuje i Pobiera Zagubione Przedmioty

Naukowcy z Massachusetts Institute of Technology opracowali pełnie zintegrowany roboticzny ramień, który łączy dane wizualne z kamery i informacje radiowe (RF) z anteny, aby zlokalizować i pobrać zagubione przedmioty. Może zlokalizować przedmioty nawet jeśli są pogrzebane lub poza zasięgiem wzroku.

System nosi nazwę RFusion, a prototyp opiera się na etykietach RFID, które są tanie, bezbaterowe etykiety, odbijające sygnały wysyłane przez antenę. Sygnały RF mogą przechodzić przez większość powierzchni, więc RFusion może zlokalizować oznaczony przedmiot, nawet jeśli jest pogrzebany.

Roboticzny ramień wykorzystuje uczenie maszynowe, aby automatycznie ustalić dokładną lokalizację przedmiotu. Może następnie przesunąć przedmioty na górze, chwycić przedmiot i potwierdzić, że jest to prawidłowy przedmiot. Kamera, antena, roboticzny ramień i AI są w pełni zintegrowane, co oznacza, że system może działać w dowolnym środowisku bez wymagania obszernego ustawienia.

Według naukowców, RFusion może być wykorzystany w aplikacjach takich jak sortowanie przez stosy w celu realizacji zamówień w magazynie lub identyfikacja i instalacja komponentów w fabryce samochodów.

Fadel Adib jest seniorem autorem i associate profesorem w Departamencie Inżynierii Elektrycznej i Komputerowej. Adib jest również dyrektorem grupy Signal Kinetics w MIT Medical Lab.

“To pomysł, aby móc znaleźć przedmioty w chaotycznym świecie, jest otwartym problemem, nad którym pracujemy od kilku lat. Posiadanie robotów, które mogą szukać rzeczy pod stosami, jest rosnącym zapotrzebowaniem w przemyśle dzisiaj. Można to teraz uznać za Roomba na sterydach, ale w krótkim czasie może to mieć wiele zastosowań w środowiskach produkcyjnych i magazynowych”, powiedział Adib.

Inni współautorzy badań obejmują asystenta badawczego Tarę Boroushaki, głównego autora; studenta studiów magisterskich z inżynierii elektrycznej i komputerowej Isaaca Perpera; asystenta badawczego Mergena Nachina; oraz Alberto Rodrigueza, profesora associate w Departamencie Inżynierii Mechanicznej.

Badania mają być przedstawione na Konferencji Association for Computing Machinery Conference on Embedded Networked Sensor Systems w przyszłym miesiącu.

Szkolenie Systemu

Naukowcy wykorzystali uczenie wzmacnianie, aby nauczyć sieć neuronową, która może zoptymalizować trajektorię robota do przedmiotu.

“To również to, jak nasz mózg uczy się. Dostajemy nagrody od naszych nauczycieli, od naszych rodziców, od gry komputerowej itp. To samo dzieje się w uczeniu wzmacnianym. Pozwalamy agentowi popełniać błędy lub robić coś dobrze, a następnie karzymy lub nagradzamy sieć. To jest sposób, w jaki sieć uczy się czegoś, co jest naprawdę trudne do zamodelowania”, wyjaśnia Boroushaki.

Algorytm optymalizacji w RFusion był nagradzany, gdy ograniczał liczbę ruchów do zlokalizowania przedmiotu i odległości przebytej do jego pobrania.

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

Testowanie RFusion

Naukowcy przetestowali system w kilku środowiskach, w tym w jednym, w którym klucz został pogrzebany w pudełku pełnym nieporządku, a pilot został ukryty pod stosami przedmiotów na kanapie.

Zastosowali podejście polegające na podsumowaniu pomiarów RF i ograniczeniu danych wizualnych do obszaru bezpośrednio przed robotem, aby nie zalać systemu. To dało 96-procentowy wskaźnik sukcesu przy pobieraniu przedmiotów w pełni ukrytych pod stosami.

“Czasami, jeśli tylko polegasz na pomiarach RF, może być odchylenie, a jeśli tylko polegasz na wizji, może być błąd kamery. Ale jeśli połączysz je, będą się one wzajemnie poprawiać. To sprawiło, że system jest tak wytrzymały”, mówi Boroushaki.

Matthew S. Reynolds jest CoMotion Presidential Innovation Fellow i associate profesorem inżynierii elektrycznej i komputerowej na Uniwersytecie Waszyngtonu.

“Każdego roku miliardy etykiet RFID są wykorzystywane do identyfikacji przedmiotów w dzisiejszych złożonych łańcuchach dostaw, w tym odzieży i innych produktów konsumpcyjnych. Podejście RFusion wskazuje drogę do autonomicznych robotów, które mogą przekopać się przez stos mieszanych przedmiotów i posortować je za pomocą danych przechowywanych w etykietach RFID, znacznie bardziej wydajnie niż musząc sprawdzić każdy przedmiot indywidualnie, zwłaszcza gdy przedmioty wyglądają podobnie do systemu wizyjnego komputera”, mówi Reynolds. “Podejście RFusion jest wielkim krokiem naprzód dla robotyki działającej w złożonych łańcuchach dostaw, gdzie identyfikacja i ‘pobieranie’ prawidłowego przedmiotu szybko i dokładnie jest kluczem do realizacji zamówień na czas i utrzymania wymagających klientów zadowolonych.”

Naukowcy będą teraz dążyć do zwiększenia prędkości systemu, aby działał on płynnie.