Tamamen Entegre Robotik Kol Lost Nesneleri Bulur ve Geri Çeker

Massachusetts Teknoloji Enstitüsü’ndeki araştırmacılar, bir kamera ve bir antenden gelen radyo frekanslı (RF) verileri birleştiren, kayıp nesneleri bulmak ve almak için tasarlanmış bir robotik kol geliştirdiler. Bu sistem, nesneleri gömülü veya görünmez olsalar bile bulabilir.

Sistem RFusion olarak adlandırılmaktadır ve prototip, ucuz, pil gerektirmeyen ve bir antenden gelen sinyalleri yansıtan RFID etiketlerine dayanmaktadır. RF sinyalleri çoğu yüzeyden geçebildiğinden, RFusion bir etiketli öğeyi gömülü olsa bile bulabilir.

Robotik kol, nesnenin kesin konumuna otomatik olarak odaklanmak için makine öğrenimi kullanır. Ardından, üstündeki öğeleri hareket ettirebilir, nesneyi kavrayabilir ve doğru nesne olduğunu doğrulayabilir. Kamera, anten, robotik kol ve AI tamamen entegre edilmiştir, bu nedenle sistem herhangi bir ortamda geniş bir kurulum gerektirmeden çalışabilir.

Araştırmacılara göre, RFusion, bir depoda siparişleri yerine getirmek için yığınları ayırmak veya bir otomobil üretim tesisinde bileşenleri tanımlamak ve kurmak gibi uygulamalar için kullanılabilir.

Fadel Adib, Elektrik Mühendisliği ve Bilgisayar Bilimi Bölümü’nde yardımcı profesör ve senior yazar olup, aynı zamanda MIT Tıp Laboratuvarı’ndaki Sinyal Kinetics grubunun direktörüdür.

“Kaotik bir dünyada öğeleri bulabilme fikri, üzerinde birkaç yıldır çalıştığımız açık bir sorundur. Öğeleri bir yığın altında arayan robotlara sahip olmak, endüstride günümüzde büyüyen bir ihtiyaçtır. Şu anda, bunu bir Roomba’nın steroidlerle güçlendirilmiş bir versiyonu olarak düşünebilirsiniz, ancak yakın zamanda bu, üretim ve depo ortamlarında birçok uygulamaya sahip olabilir,” dedi Adib.

Araştırmanın diğer yazarları arasında, baş yazar ve araştırma asistanı Tara Boroushaki; elektrik mühendisliği ve bilgisayar bilimi yüksek lisans öğrencisi Isaac Perper; araştırma görevlisi Mergen Nachin ve Mekanik Mühendisliği Bölümü’nde 1957 Sınıfı Associate Profesörü Alberto Rodriguez bulunmaktadır.

Araştırma, önümüzdeki ay Gömülü Ağlı Sensör Sistemleri Konferansı’nda sunulacak.

Sistemi Eğitme

Araştırmacılar, bir nesneye robotun yolunu optimize edebilen bir sinir ağını eğitmek için takviye öğrenimi kullandılar.

“Bu da bizim beynimizin öğrenme şekliyle benzer. Öğretmenlerimizden, ebeveynlerimizden, bir bilgisayar oyunundan ödül alıyoruz. Aynı şey takviye öğreniminde de xảyr. Ajansa hata yapma veya doğru bir şey yapma izni veriyoruz, ardından ağı cezalandırıyoruz veya ödüllendiriyoruz. Bu, ağın gerçekten zor modellediği bir şeyi öğrenme şekli,” diye açıklıyor Boroushaki.

RFusion’daki optimizasyon algoritması, öğeyi lokalize etmek için yapılan hareket sayısını ve onu almak için traveled edilen mesafeyi sınırladığında ödüllendirildi.

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

RFusion’u Test Etme

Araştırmacılar, bir anahtarlık bir kutu dolusu karışıklığa gömülü olduğu ve bir uzaktan kumanda bir yığın öğe altında gizlendiği bir ortam da dahil olmak üzere çeşitli ortamlarda sistemi test etti.

RF ölçümlerini özetleyerek ve görsel verilerini robotun önünde bulunan alana sınırlayarak sistemi boğmamak için bir yaklaşım benimsediler. Bu, bir yığın altında完全 gizli nesneleri almak için %96’lık bir başarı oranına yol açtı.

“Bazen, sadece RF ölçümlerine güvenirse, bir aykırılık olabilir ve sadece görmeğe güvenirse, kameradan bir hata olabilir. Ancak ikisini birleştirdiğinizde, birbirlerini düzelteceklerdir. Bu, sistemin gerçekten güçlü olmasını sağladı,” diyor Boroushaki.

Matthew S. Reynolds, Washington Üniversitesi’nde elektrik mühendisliği ve bilgisayar bilimi alanında yardımcı profesör ve CoMotion Başkanlık İnovasyon Fellow’u.

“Her yıl, milyarlarca RFID etiketi, bugün karmaşık tedarik zincirlerinde, giysiler ve diğer birçok tüketim malı da dahil olmak üzere nesneleri tanımlamak için kullanılır. RFusion yaklaşımı,mixed öğeleri bir yığın içinde arayan ve RFID etiketlerinde depolanan verileri kullanarak onları daha verimli bir şekilde ayıran otonom robotlara yol gösterir, özellikle de bir bilgisayar görme sistemine benzer görünmeleri durumunda her öğeyi bireysel olarak incelemekten daha verimlidir,” diyor Reynolds. “RFusion yaklaşımı, karmaşık tedarik zincirlerinde çalışan robotlar için büyük bir adımdır, burada doğru öğeyi hızlı ve doğru bir şekilde tanımlamak ve almak, siparişleri zamanında yerine getirmek ve talepkar müşterileri mutlu etmek için anahtardır.”

Araştırmacılar, sistemi daha sorunsuz hale getirmek için sistemin hızını artırmaya çalışacaklar.