Braț robotic complet integrat localizează și recuperează obiecte pierdute

Cercetătorii de la Institutul de Tehnologie din Massachusetts au dezvoltat un braț robotic complet integrat care combină date vizuale de la o cameră și informații de radiofrecvență (RF) de la o antenă pentru a localiza și recupera obiecte pierdute. Acesta poate localiza obiecte chiar și dacă sunt îngropate sau în afara câmpului vizual.

Sistemul se numește RFusion, iar prototipul se bazează pe etichete RFID, care sunt etichete ieftine, fără baterii, care reflectă semnalele trimise de o antenă. Semnalele RF pot traversa majoritatea suprafețelor, astfel încât RFusion poate localiza un obiect etichetat chiar și dacă este îngropat.

Brațul robotic utilizează învățarea automată pentru a se concentra automat asupra locației exacte a obiectului. Acesta poate apoi muta obiectele de deasupra, apuca obiectul și verifica dacă este obiectul corect. Camera, antena, brațul robotic și inteligența artificială sunt complet integrate, ceea ce înseamnă că sistemul poate funcționa în orice mediu fără a necesita o configurare extinsă.

Conform cercetătorilor, RFusion ar putea fi utilizat pentru aplicații precum sortarea prin grămezi pentru a îndeplini comenzi într-un depozit sau pentru a identifica și instala componente într-o fabrică de automobile.

Fadel Adib este autorul principal și profesor asociat în Departamentul de Inginerie Electrică și Știința Calculatoarelor. Adib este, de asemenea, directorul grupului Signal Kinetics din Laboratorul Medical MIT.

“Această idee de a putea găsi obiecte într-o lume haotică este o problemă deschisă la care am lucrat timp de câțiva ani. Avem nevoie de roboți care să poată căuta lucruri sub o grămadă, este o nevoie în creștere în industrie în prezent. Acum, puteți considera acest lucru ca un Roomba pe steroizi, dar în viitorul apropiat, acesta ar putea avea multe aplicații în medii de fabricație și depozitare”, a spus Adib.

Alți coautori ai cercetării includ asistentul de cercetare Tara Boroushaki, autorul principal; studentul absolvent de inginerie electrică și știința calculatoarelor Isaac Perper; asistentul de cercetare Mergen Nachin; și Alberto Rodriguez, profesor asociat în Departamentul de Inginerie Mecanică.

Cercetarea urmează să fie prezentată la Conferința Asociației pentru Calculatoare și Sisteme Încorporate pe Senzori Rețea luna viitoare.

Antrenarea sistemului

Cercetătorii au utilizat învățarea prin întărire pentru a antrena o rețea neurală care poate optimiza traiectoria robotului către un obiect.

“Acesta este modul în care creierul nostru învață. Suntem recompensați de profesorii noștri, de părinții noștri, de un joc pe computer, etc. Același lucru se întâmplă în învățarea prin întărire. Lăsăm agentul să facă greșeli sau să facă ceva corect și apoi pedepsim sau recompensăm rețeaua. Acesta este modul în care rețeaua învață ceva care este foarte greu de modelat”, explică Boroushaki.

Algoritmul de optimizare din RFusion a fost recompensat atunci când a limitat numărul de mișcări pentru a localiza obiectul și distanța parcursă pentru a-l ridica.

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

Testarea RFusion

Cercetătorii au testat sistemul în mai multe medii, inclusiv unul în care o cheie a fost îngropată într-o cutie plină de obiecte și un telecomandă ascunsă sub o grămadă de obiecte pe o canapea.

Ei au adoptat abordarea de a rezuma măsurătorile RF și de a limita datele vizuale la zona din fața robotului, pentru a nu supraîncărca sistemul. Acest lucru a rezultat într-un procent de succes de 96% la recuperarea obiectelor complet ascunse sub o grămadă.

“Uneori, dacă vă bazați doar pe măsurătorile RF, va exista o valoare outlier, și dacă vă bazați doar pe viziune, va exista o greșeală din partea camerei. Dar dacă le combinați, ele se vor corecta una pe alta. Acesta este motivul pentru care sistemul a fost atât de robust”, spune Boroushaki.

Matthew S. Reynolds este Fellow Prezidențial de Inovare CoMotion și profesor asociat de inginerie electrică și calculatoare la Universitatea din Washington.

“În fiecare an, miliarde de etichete RFID sunt utilizate pentru a identifica obiecte în lanțurile de aprovizionare complexe de astăzi, inclusiv îmbrăcăminte și multe alte bunuri de consum. Abordarea RFusion arată calea către roboți autonomi care pot săpa prin grămezi de obiecte mixte și să le sorteze folosind datele stocate în etichetele RFID, mult mai eficient decât inspectarea individuală a fiecărui obiect, în special atunci când obiectele arată similar din punct de vedere al sistemului de viziune computerizată”, spune Reynolds. “Abordarea RFusion este un pas important înainte pentru roboții care funcționează în lanțurile de aprovizionare complexe, unde identificarea și ‘alegerea’ obiectului corect rapid și precis este cheia pentru a îndeplini comenzile la timp și a menține clienții exigenti fericiți.”

Cercetătorii vor căuta acum să crească viteza sistemului pentru a-l face să funcționeze mai lin.