Tay Robot Đầy Đủ Tích Hợp Định Vị và Lấy Lại Các Mục Đã Mất

Các nhà nghiên cứu tại Viện Công nghệ Massachusetts đã phát triển một tay robot đầy đủ tích hợp kết hợp dữ liệu hình ảnh từ camera và thông tin tần số vô tuyến (RF) từ ăng ten để định vị và lấy lại các vật thể bị mất. Nó có thể định vị các vật thể ngay cả khi chúng bị chôn vùi hoặc không nhìn thấy.

Hệ thống này được gọi là RFusion, và mẫu thử nghiệm dựa trên các thẻ RFID, là các thẻ không có pin, giá rẻ, phản xạ tín hiệu gửi bởi ăng ten. Tín hiệu RF có thể đi qua hầu hết các bề mặt, vì vậy RFusion có thể định vị một mục được gắn thẻ ngay cả khi nó bị chôn vùi.

Tay robot sử dụng học máy để tự động xác định vị trí chính xác của vật thể. Sau đó, nó có thể di chuyển các vật thể trên nó, nắm lấy vật thể và xác minh rằng đó là vật thể chính xác. Camera, ăng ten, tay robot và AI được tích hợp đầy đủ, có nghĩa là hệ thống có thể hoạt động trong bất kỳ môi trường nào mà không cần thiết lập rộng rãi.

Theo các nhà nghiên cứu, RFusion có thể được sử dụng cho các ứng dụng như sắp xếp các vật thể trong các kho hàng để thực hiện đơn đặt hàng hoặc xác định và lắp đặt các bộ phận trong một nhà máy sản xuất ô tô.

Fadel Adib là tác giả chính và giáo sư liên kết tại Bộ môn Kỹ thuật Điện và Khoa học Máy tính. Adib cũng là giám đốc nhóm Signal Kinetics tại Phòng thí nghiệm Y học MIT.

“Ý tưởng về việc tìm kiếm các vật thể trong một thế giới hỗn loạn là một vấn đề mở mà chúng tôi đã làm việc trong vài năm. Việc có các robot có thể tìm kiếm các vật thể dưới một đống là một nhu cầu ngày càng tăng trong ngành công nghiệp ngày nay. Hiện tại, bạn có thể nghĩ về điều này như một Roomba trên steroid, nhưng trong thời gian tới, điều này có thể có nhiều ứng dụng trong sản xuất và môi trường kho hàng,” Adib nói.

Các đồng tác giả khác của nghiên cứu bao gồm trợ lý nghiên cứu Tara Boroushaki, tác giả chính; sinh viên sau đại học kỹ thuật điện và khoa học máy tính Isaac Perper; nghiên cứu viên Mergen Nachin; và Alberto Rodriguez, giáo sư liên kết lớp 1957 tại Bộ môn Kỹ thuật Cơ khí.

Nghiên cứu này sẽ được trình bày tại Hội nghị Hệ thống Cảm biến Mạng Nhúng của Hiệp hội Máy tính tại tháng tới.

Đào tạo Hệ thống

Các nhà nghiên cứu đã sử dụng học tăng cường để đào tạo một mạng nơ-ron có thể tối ưu hóa đường đi của robot đến một vật thể.

“Điều này cũng giống như cách não bộ của chúng ta học. Chúng ta được thưởng từ giáo viên, từ phụ huynh, từ một trò chơi máy tính, v.v. Điều tương tự xảy ra trong học tăng cường. Chúng ta để cho tác nhân thực hiện sai lầm hoặc làm điều gì đó đúng và sau đó chúng ta trừng phạt hoặc thưởng cho mạng. Đây là cách mạng học được điều gì đó thực sự khó đối với nó,” Boroushaki giải thích.

Thuật toán tối ưu hóa trong RFusion được thưởng khi nó hạn chế số lần di chuyển để định vị vật thể và khoảng cách di chuyển để nhặt nó lên.

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

Thử nghiệm RFusion

Các nhà nghiên cứu đã thử nghiệm hệ thống trong several môi trường, bao gồm một môi trường trong đó một chiếc chìa khóa bị chôn trong một hộp đầy các vật thể lộn xộn và một điều khiển từ xa bị ẩn dưới một đống các vật thể trên một chiếc ghế sofa.

Họ đã thực hiện phương pháp tóm tắt các phép đo RF và hạn chế dữ liệu hình ảnh đến khu vực ngay trước robot để không làm cho hệ thống quá tải. Điều này đã dẫn đến tỷ lệ thành công 96% khi lấy lại các vật thể hoàn toàn bị che khuất dưới một đống.

“Đôi khi, nếu bạn chỉ dựa vào các phép đo RF, sẽ có một ngoại lệ, và nếu bạn chỉ dựa vào tầm nhìn, sẽ có một sai lầm từ camera. Nhưng nếu bạn kết hợp chúng, chúng sẽ sửa lỗi cho nhau. Đó là điều làm cho hệ thống trở nên mạnh mẽ,” Boroushaki nói.

Matthew S. Reynolds là Fellow sáng tạo của CoMotion và giáo sư liên kết về kỹ thuật điện và máy tính tại Đại học Washington.

“Mỗi năm, hàng tỷ thẻ RFID được sử dụng để xác định các vật thể trong chuỗi cung ứng phức tạp ngày nay, bao gồm quần áo và nhiều hàng tiêu dùng khác. Phương pháp RFusion chỉ ra cách cho các robot tự động có thể đào qua một đống các vật thể hỗn hợp và sắp xếp chúng bằng dữ liệu lưu trữ trong các thẻ RFID, hiệu quả hơn nhiều so với việc phải kiểm tra từng vật thể riêng lẻ, đặc biệt là khi các vật thể trông giống nhau đối với một hệ thống tầm nhìn máy tính,” Reynolds nói. “Phương pháp RFusion là một bước tiến lớn cho các robot hoạt động trong chuỗi cung ứng phức tạp nơi xác định và ‘lấy’ vật thể chính xác nhanh chóng và chính xác là chìa khóa để thực hiện đơn đặt hàng đúng hạn và giữ cho khách hàng khó tính hài lòng.”

Các nhà nghiên cứu sẽ tiếp tục tìm cách tăng tốc độ của hệ thống để di chuyển nó một cách mượt mà.