Hệ Thống Robot Tìm Kiếm Đối Tượng Chôn Dưới Đống Vật

Một hệ thống robot mới gọi là FuseBot được phát triển tại MIT kết hợp thông tin hình ảnh và tín hiệu tần số vô tuyến để tìm kiếm các vật thể ẩn dưới một đống vật thể. Để tìm kiếm một vật thể bị mất, robot phải sử dụng lý luận phức tạp về đống và các vật thể trong đó.

Các nhà nghiên cứu trước đây đã chứng minh một cánh tay robot kết hợp thông tin hình ảnh và tín hiệu tần số vô tuyến (RF) để tìm kiếm các vật thể ẩn có gắn thẻ RFID, mà phản xạ tín hiệu gửi bởi một ăng ten. Nhưng hệ thống mới này có thể tìm kiếm và lấy ra bất kỳ vật thể nào bị chôn vùi, ngay cả khi vật thể mục tiêu không có thẻ RFID. Nó chỉ yêu cầu một số vật thể trong đống có những thẻ RFID này.

Thuật Toán Trong FuseBot

Các thuật toán tạo nên FuseBot có thể lý luận về vị trí và hướng có thể của các vật thể dưới đống. Sau đó, nó tìm ra cách hiệu quả nhất để loại bỏ các vật thể cản trở và lấy ra vật thể mục tiêu. FuseBot đã có thể tìm thấy các vật thể ẩn này hiệu quả hơn so với một hệ thống robot khác hiện đại, và nó làm như vậy trong nửa thời gian.

Hệ thống mới này có thể được áp dụng trong các lĩnh vực như nhà kho thương mại điện tử.

Nghiên cứu liên quan đến tác giả chính Fadel Adib, giáo sư liên kết tại Bộ môn Điện tử và Khoa học Máy tính và giám đốc nhóm Signal Kinetics tại Media Lab.

“Những gì bài báo này cho thấy, lần đầu tiên, là sự hiện diện của một vật thể có thẻ RFID trong môi trường làm cho nó dễ dàng hơn để bạn đạt được các nhiệm vụ khác một cách hiệu quả. Chúng tôi đã làm được điều này vì chúng tôi đã thêm lý luận đa phương thức vào hệ thống — FuseBot có thể lý luận về cả hình ảnh và RF để hiểu một đống vật thể,” Adib nói.

Adib được tham gia bởi các trợ lý nghiên cứu Tara Boroushaki, người là tác giả chính; Laura Dodds; và Nazish Naeem.

FuseBot liên quan đến một cánh tay robot với camera video và ăng ten RF gắn liền để lấy ra một vật thể mục tiêu không có thẻ từ một đống hỗn hợp. Hệ thống quét đống bằng camera để tạo ra một mô hình 3D của môi trường, và nó gửi tín hiệu từ ăng ten để định vị các thẻ RFID cùng thời điểm.

Các sóng vô tuyến có thể đi qua hầu hết các bề mặt rắn, cho phép robot “nhìn” vào đống. Vì các vật thể khác ngoài vật thể mục tiêu được gắn thẻ, FuseBot biết rằng vật thể mục tiêu không thể ở cùng một vị trí chính xác.

Thông tin sau đó được hợp nhất bởi các thuật toán để cập nhật mô hình 3D của môi trường và nhấn mạnh các vị trí có thể của vật thể mục tiêu, với robot đã biết kích thước và hình dạng của nó. Hệ thống lý luận về các vật thể trong đống và các thẻ RFID để xác định vật thể nào để di chuyển, và nó tìm kiếm đường đi với ít chuyển động nhất.

Để vượt qua thách thức không biết các vật thể được định hướng như thế nào dưới đống, FuseBot sử dụng lý luận xác suất. Mỗi lần nó loại bỏ một vật thể, nó cũng sử dụng lý luận để tìm ra vật thể tiếp theo tốt nhất để loại bỏ.

“Nếu tôi đưa cho một người một đống vật thể để tìm kiếm, họ sẽ có khả năng loại bỏ vật thể lớn nhất đầu tiên để xem gì ở dưới nó. Những gì robot làm là tương tự, nhưng nó cũng kết hợp thông tin RFID để đưa ra quyết định thông minh hơn. Nó hỏi, ‘Nó sẽ hiểu thêm về đống này nếu nó loại bỏ vật thể này từ bề mặt?'” Boroushaki nói.

Robot quét đống sau khi loại bỏ một vật thể và sử dụng dữ liệu mới để tối ưu hóa chiến lược.

Outperforming Các Hệ Thống Khác

Bằng cách sử dụng tín hiệu RF và lý luận, FuseBot đã có thể outperform một hệ thống hiện đại chỉ sử dụng hình ảnh. Nó đã lấy ra vật thể mục tiêu với tỷ lệ thành công 95%, so với 84% đối với hệ thống khác. Nó cũng làm như vậy với 40% ít chuyển động hơn và có thể định vị và lấy ra các vật thể nhanh hơn gấp đôi.

“Chúng tôi thấy sự cải thiện lớn trong tỷ lệ thành công bằng cách kết hợp thông tin RF này. Điều thú vị là chúng tôi đã có thể khớp với hiệu suất của hệ thống trước đó của chúng tôi và vượt qua nó trong các kịch bản mà vật thể mục tiêu không có thẻ RFID,” Dodds nói.

Phần mềm chịu trách nhiệm thực hiện lý luận phức tạp có thể được triển khai trên bất kỳ máy tính nào, có nghĩa là FuseBot có thể được sử dụng trong nhiều môi trường khác nhau. Đội ngũ sẽ tiếp tục kết hợp các mô hình phức tạp hơn vào hệ thống, cũng như khám phá các thao tác khác.