แขนกลหุ่นยนต์ที่มีการรวมระบบที่สมบูรณ์แบบสำหรับการค้นหาและรับของที่สูญหาย

นักวิจัยจากสถาบันเทคโนโลยีแมสซาชูเซตส์ ได้พัฒนาแขนกลหุ่นยนต์ที่มีการรวมระบบที่สมบูรณ์แบบ ซึ่งใช้ข้อมูลภาพจากกล้องและข้อมูลความถี่วิทยุ (RF) จากเสาอากาศเพื่อค้นหาและรับของที่สูญหาย โดยสามารถค้นหาได้แม้ว่าสิ่งของจะถูกฝังหรืออยู่นอกสายตา

ระบบนี้เรียกว่า RFusion และต้นแบบนี้ใช้แท็ก RFID ซึ่งเป็นแท็กที่ไม่มีแบตเตอรี่และไม่มีค่าใช้จ่าย ซึ่งสะท้อนสัญญาณที่ส่งโดยเสาอากาศ สัญญาณ RF สามารถเดินทางผ่านพื้นผิวส่วนใหญ่ ดังนั้น RFusion จึงสามารถค้นหาสิ่งของที่มีแท็กได้แม้ว่าจะถูกฝัง

แขนกลหุ่นยนต์ใช้การเรียนรู้ของเครื่องเพื่อเล็งไปที่ตำแหน่งที่แน่นอนของสิ่งของโดยอัตโนมัติ จากนั้นสามารถย้ายสิ่งของที่อยู่ด้านบนของมัน จับของ และตรวจสอบว่าเป็นสิ่งของที่ถูกต้องหรือไม่ กล้อง เสาอากาศ แขนกลหุ่นยนต์ และ AI ถูกรวมเข้าด้วยกัน ซึ่งหมายความว่าระบบสามารถทำงานในใดๆ สภาพแวดล้อมโดยไม่ต้องการการตั้งค่าที่ซับซ้อน

ตามที่นักวิจัยกล่าวว่า RFusion สามารถใช้ในการใช้งาน เช่น การค้นหาและจัดเรียงสิ่งของในคลังสินค้า หรือการระบุและติดตั้งส่วนประกอบในโรงงานผลิตรถยนต์

Fadel Adib เป็นนักวิจัยอาวุโสและรองศาสตราจารย์ในภาควิชาวิศวกรรมไฟฟ้าและวิทยาการคอมพิวเตอร์ Adib ยังเป็นผู้อำนวยการของกลุ่ม Signal Kinetics ในห้องปฏิบัติการทางการแพทย์ของ MIT

“ความคิดนี้ในการค้นหาสิ่งของในโลกที่ซับซ้อนเป็นปัญหาที่เปิดกว้างที่เราทำงานมาตลอดหลายปี หุ่นยนต์ที่สามารถค้นหาสิ่งของใต้กลุ่มสิ่งของเป็นความต้องการที่เพิ่มขึ้นในอุตสาหกรรมในปัจจุบัน ในระยะสั้น คุณสามารถคิดว่านี่เป็น Roomba ที่มีพลังมากขึ้น แต่ในระยะยาว นี่อาจมีการใช้งานมากมายในโรงงานและคลังสินค้า” Adib กล่าว

นักวิจัยอื่นๆ ที่เข้าร่วมการวิจัยนี้ ได้แก่ Tara Boroushaki ผู้ช่วยวิจัยและผู้เขียนหลัก; นักศึกษาระดับบัณฑิตศึกษา Isaac Perper; Mergen Nachin ผู้ช่วยวิจัย; และ Alberto Rodriguez ศาสตราจารย์ในภาควิชาวิศวกรรมเครื่องกล

การวิจัยนี้จะถูกนำเสนอที่การประชุม Association for Computing Machinery Conference on Embedded Networked Sensor Systems ในเดือนหน้า

การฝึกอบรมระบบ

นักวิจัยใช้การเรียนรู้แบบเสริมกำลังเพื่อฝึกเครือข่ายประสาทที่สามารถเพิ่มประสิทธิภาพของหุ่นยนต์ในการค้นหาสิ่งของ

“นี่คือวิธีที่สมองของเรียนรู้ เราได้รับการตอบแทนจากครูของเรา พ่อแม่ของเรา เกมคอมพิวเตอร์ ฯลฯ สิ่งเดียวกันนี้เกิดขึ้นในการเรียนรู้แบบเสริมกำลัง เราปล่อยให้เอเจนต์ทำผิดพลาดหรือทำสิ่งที่ถูกต้อง จากนั้นเราจะลงโทษหรือตอบแทนเครือข่าย นี่คือวิธีที่เครือข่ายเรียนรู้สิ่งที่ยากสำหรับมัน” Boroushaki อธิบาย

อัลกอริธึมในการเพิ่มประสิทธิภาพใน RFusion ได้รับการตอบแทนเมื่อมันจำกัดจำนวนการเคลื่อนที่ในการค้นหาสิ่งของและระยะทางในการรับของ

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

การทดสอบ RFusion

นักวิจัยทดสอบระบบในหลายสภาพแวดล้อม รวมถึงสภาพแวดล้อมที่มีของที่สูญหายถูกฝังในกล่องที่เต็มไปด้วยสิ่งของและของที่ถูกซ่อนอยู่ใต้กลุ่มสิ่งของบนโซฟา

พวกเขาทำการสรุปการวัด RF และจำกัดข้อมูลภาพให้แคบลงเพื่อไม่ให้ระบบถูกครอบงำ ซึ่งทำให้ระบบมีประสิทธิภาพในการค้นหาสิ่งของที่ถูกซ่อนอยู่ใต้กลุ่มสิ่งของถึง 96%

“บางครั้ง หากคุณพึ่งพาการวัด RF เพียงอย่างเดียว อาจมีข้อผิดพลาด และหากคุณพึ่งพาการมองเห็นเพียงอย่างเดียว อาจมีข้อผิดพลาดจากกล้อง แต่หากคุณรวมทั้งสองอย่างเข้าด้วยกัน มันจะแก้ไขข้อผิดพลาดของกันและกัน นี่คือสิ่งที่ทำให้ระบบมีความแข็งแกร่ง” Boroushaki กล่าว

Matthew S. Reynolds เป็น CoMotion Presidential Innovation Fellow และรองศาสตราจารย์ในภาควิชาวิศวกรรมไฟฟ้าและวิทยาการคอมพิวเตอร์ที่มหาวิทยาลัยวอชิงตัน

“ทุกๆ ปี มีการใช้แท็ก RFID จำนวนหลายพันล้านชิ้นเพื่อระบุสิ่งของในห่วงโซ่อุปทานที่ซับซ้อนในปัจจุบัน รวมถึงเสื้อผ้าและผลิตภัณฑ์อื่นๆ RFusion เป็นทางเลือกที่ดีสำหรับหุ่นยนต์ที่สามารถค้นหาและจัดเรียงสิ่งของในกลุ่มสิ่งของที่หลากหลายโดยใช้ข้อมูลที่เก็บไว้ในแท็ก RFID ซึ่งสามารถทำได้อย่างมีประสิทธิภาพมากกว่าการตรวจสอบสิ่งของแต่ละชิ้น โดยเฉพาะอย่างยิ่งเมื่อสิ่งของมีลักษณะคล้ายกันสำหรับระบบมองเห็นของคอมพิวเตอร์” Reynolds กล่าว “RFusion เป็นก้าวสำคัญสำหรับหุ่นยนต์ที่ทำงานในห่วงโซ่อุปทานที่ซับซ้อน โดยที่การระบุและรับสิ่งของอย่างรวดเร็วและแม่นยำเป็นกุญแจสำคัญในการส่งมอบคำสั่งซื้อตามเวลาและทำให้ลูกค้าที่ต้องการสูงพอใจ”

นักวิจัยจะพยายามเพิ่มความเร็วของระบบเพื่อให้ทำงานได้อย่างราบรื่น