Braço Robótico Fully-Integrated Localiza e Recupera Itens Perdidos

Pesquisadores do Instituto de Tecnologia de Massachusetts desenvolveram um braço robótico fully-integrated que combina dados visuais de uma câmera e informações de frequência de rádio (RF) de uma antena para localizar e recuperar objetos perdidos. Ele pode localizar objetos mesmo se estiverem enterrados ou fora de vista.

O sistema é chamado de RFusion, e o protótipo depende de etiquetas RFID, que são etiquetas baratas e sem bateria que refletem sinais enviados por uma antena. Sinais de RF podem viajar através da maioria das superfícies, então a RFusion pode localizar um item etiquetado mesmo se estiver enterrado.

O braço robótico usa aprendizado de máquina para automaticamente se concentrar na localização exata do objeto. Em seguida, pode mover os itens em cima dele, agarrar o objeto e verificar se é o objeto correto. A câmera, antena, braço robótico e IA estão totalmente integrados, o que significa que o sistema pode operar em qualquer ambiente sem precisar de configuração extensiva.

De acordo com os pesquisadores, a RFusion pode ser usada para aplicações como classificar pilhas para atender a pedidos em um armazém ou identificar e instalar componentes em uma fábrica de automóveis.

Fadel Adib é autor sênior e professor associado no Departamento de Engenharia Elétrica e Ciência da Computação. Adib também é diretor do grupo Signal Kinetics no Laboratório Médico do MIT.

“Essa ideia de ser capaz de encontrar itens em um mundo caótico é um problema aberto que estamos trabalhando há alguns anos. Ter robôs que possam procurar coisas sob uma pilha é uma necessidade crescente na indústria hoje. Agora, você pode pensar nisso como um Roomba em esteroides, mas no curto prazo, isso pode ter muitas aplicações em ambientes de fabricação e armazenamento”, disse Adib.

Outros co-autores da pesquisa incluem a assistente de pesquisa Tara Boroushaki, a autora principal; o estudante de graduação em engenharia elétrica e ciência da computação Isaac Perper; o associado de pesquisa Mergen Nachin; e Alberto Rodriguez, o Professor Associado da Classe de 1957 no Departamento de Engenharia Mecânica.

A pesquisa será apresentada na Conferência da Association for Computing Machinery sobre Sistemas de Sensores Embarcados no próximo mês.

Treinamento do Sistema

Os pesquisadores usaram aprendizado por reforço para treinar uma rede neural que pode otimizar a trajetória do robô para um objeto.

“Isso também é como nosso cérebro aprende. Nós recebemos recompensas de nossos professores, de nossos pais, de um jogo de computador, etc. A mesma coisa acontece no aprendizado por reforço. Nós deixamos o agente cometer erros ou fazer algo certo e então punimos ou recompensamos a rede. É assim que a rede aprende algo que é realmente difícil para ela modelar”, explica Boroushaki.

O algoritmo de otimização na RFusion foi recompensado quando limitou o número de movimentos para localizar o item e a distância percorrida para pegá-lo.

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

Testando a RFusion

Os pesquisadores testaram o sistema em vários ambientes, incluindo um em que uma chaveiro estava enterrada em uma caixa cheia de lixo e um controle remoto escondido sob uma pilha de itens em um sofá.

Eles adotaram a abordagem de resumir as medições de RF e limitar os dados visuais à área logo em frente ao robô para não sobrecarregar o sistema. Isso resultou em uma taxa de sucesso de 96% ao recuperar objetos totalmente escondidos sob uma pilha.

“Às vezes, se você só confiar nos dados de RF, há um outlier, e se você confiar apenas na visão, há um erro da câmera. Mas se você combinar ambos, eles se corrigirão mutuamente. É isso que tornou o sistema tão robusto”, diz Boroushaki.

Matthew S. Reynolds é CoMotion Presidential Innovation Fellow e professor associado de engenharia elétrica e computação na Universidade de Washington.

“Todos os anos, bilhões de etiquetas RFID são usadas para identificar objetos nas cadeias de suprimento complexas de hoje, incluindo roupas e muitos outros bens de consumo. A abordagem da RFusion aponta o caminho para robôs autônomos que possam cavar em uma pilha de itens misturados e classificá-los usando os dados armazenados nas etiquetas RFID, muito mais eficientemente do que ter que inspecionar cada item individualmente, especialmente quando os itens parecem semelhantes a um sistema de visão computacional”, diz Reynolds. “A abordagem da RFusion é um grande passo à frente para a robótica que opera em cadeias de suprimento complexas, onde identificar e ‘pegar’ o item certo rapidamente e com precisão é a chave para atender a pedidos no prazo e manter clientes exigentes felizes.”

Os pesquisadores agora buscam aumentar a velocidade do sistema para movê-lo suavemente.