por
Un viajero ocupado está listo para cruzar la puerta, solo para descubrir que ha perdido las llaves y tiene que buscar entre un montón de cosas para encontrarlas. Al examinar rápidamente el desorden, desearían poder averiguar qué pila escondía las llaves.
Los investigadores del MIT han creado un sistema robótico capaz de hacer precisamente eso. El sistema, RFusion, es un brazo robótico con una cámara y una antena de radiofrecuencia (RF) unida a su abrazadera. Combina las señales de la antena con la entrada visual de la cámara para localizar y recuperar un objeto, incluso si el objeto está enterrado debajo de una pila y completamente fuera de la vista.
El prototipo de RFusion desarrollado por los investigadores se basa en etiquetas RFID, que son etiquetas económicas sin batería que se pueden pegar a un objeto y reflejan las señales enviadas por una antena. Dado que las señales de RF pueden atravesar la mayoría de las superficies (como el montón de ropa sucia que puede ocultar las teclas), RFusion puede ubicar un artículo etiquetado en una pila.
Mediante el aprendizaje automático, el brazo robótico se concentrará automáticamente en la ubicación exacta del objeto, moverá objetos sobre él, agarrará el objeto y verificará que haya recogido lo correcto. La cámara, la antena, el brazo robótico y la inteligencia artificial están completamente integrados, por lo que RFusion puede funcionar en cualquier entorno sin requerir ninguna configuración especial.
Si bien es útil encontrar llaves perdidas, RFusion podría tener muchas aplicaciones más amplias en el futuro, como clasificar baterías para cumplir con los pedidos en un almacén, identificar e instalar componentes en una planta de fabricación de automóviles o ayudar a una persona mayor a realizar las tareas diarias en hogar, aunque el prototipo actual aún no es lo suficientemente rápido para estos usos.
“Esta idea de poder encontrar objetos en un mundo caótico es un problema abierto en el que venimos trabajando desde hace unos años. Tener robots capaces de buscar objetos debajo de una pila es una necesidad creciente en la industria actual. En este momento, puede pensar en esto como un Roomba con esteroides, pero a corto plazo podría tener muchas aplicaciones en entornos de fabricación y almacén ”, dijo el autor principal Fadel Adib, profesor asociado del Departamento de Ingeniería Eléctrica e Informática. Ciencia y directora del grupo Signal Kinetics en MIT Media Lab.
Los coautores incluyen a la asistente de investigación Tara Boroushaki, autora principal; Isaac Perper, estudiante de posgrado en ingeniería eléctrica e informática; investigador asociado Mergen Nachin; y Alberto Rodríguez, profesor asociado de la promoción de 1957 en el Departamento de Ingeniería Mecánica. La investigación se presentará en la Conferencia de la Asociación de Maquinaria de Computación sobre Sistemas Senor Integrados en Red el próximo mes.
Enviando señales
RFusion comienza a buscar un objeto utilizando su antena, que envía señales de regreso a la etiqueta RFID (como la luz del sol reflejada en un espejo) para identificar un área esférica en la que se encuentra la etiqueta. Combina esta esfera con la entrada de la cámara, lo que reduce la ubicación del objeto. Por ejemplo, el artículo no se puede ubicar en un área de una mesa que está vacía.
Pero una vez que el robot tiene una idea general de dónde está el objeto, debe rotar su brazo ampliamente alrededor de la habitación dando pasos adicionales para encontrar la ubicación exacta, lo cual es lento e ineficiente.
Los investigadores utilizaron el aprendizaje por refuerzo para entrenar una red neuronal que puede optimizar la ruta del robot hacia el objeto. En el aprendizaje por refuerzo, el algoritmo se entrena mediante prueba y error con un sistema de recompensa.
“Así es también como aprenden nuestros cerebros. Somos recompensados por nuestros maestros, nuestros padres, un juego de computadora, etc. Lo mismo ocurre con el aprendizaje por refuerzo. Dejamos que el agente cometa errores o haga algo bien, y luego castigamos o recompensamos a la red. Así es como la red aprende algo que es realmente difícil de modelar ”, explica Boroushaki.
En el caso de RFusion, el algoritmo de optimización se vio recompensado al limitar el número de viajes que tenía que hacer para localizar el artículo y la distancia que tenía que recorrer para recogerlo.
Una vez que el sistema identifica exactamente el lugar correcto, la red neuronal usa RF combinada e información visual para predecir cómo el brazo robótico debe agarrar el objeto, incluido el ángulo de la mano y el ancho de la pinza, y si necesita quitar otros elementos. primero. . También escanea la etiqueta del artículo por última vez para asegurarse de que haya recuperado el artículo correcto.
Cortar fuera de orden
Los investigadores probaron RFusion en varios entornos diferentes. Enterraron un llavero en una caja desordenada y escondieron un control remoto debajo de una pila de artículos en un sofá.
Pero si hubieran proporcionado todos los datos de la cámara y las mediciones de RF al algoritmo de aprendizaje por refuerzo, habría abrumado al sistema. Entonces, confiando en el método utilizado por un GPS para consolidar los datos de los satélites, resumieron las mediciones de RF y limitaron los datos visuales al área justo enfrente del robot.
Su enfoque funcionó bien: RFusion logró una tasa de éxito del 96% al recuperar objetos completamente ocultos debajo de una pila.
“A veces, si solo confía en las mediciones de RF, habrá un valor atípico, y si solo confía en la visión, a veces habrá un error por parte de la cámara. Pero si los combina, se corregirán solos. Esto es lo que hizo que el sistema fuera tan robusto ”, dice Boroushaki.
En el futuro, los investigadores esperan aumentar la velocidad del sistema para que pueda moverse sin problemas, en lugar de detenerse periódicamente para actuar. Esto permitiría implementar RFusion en un entorno de fabricación o almacén de ritmo rápido.
Más allá de sus posibles usos industriales, un sistema como este podría incluso integrarse en futuros hogares inteligentes para ayudar a las personas con una serie de tareas domésticas, dice Boroushaki.
“Cada año, se utilizan miles de millones de etiquetas RFID para identificar objetos en las complejas cadenas de suministro actuales, incluida la ropa y muchos otros bienes de consumo. El enfoque de RFusion allana el camino para robots autónomos capaces de excavar en una pila de artículos mezclados y clasificarlos utilizando los datos almacenados en etiquetas RFID, mucho más eficientemente que tener que inspeccionar cada artículo individualmente, especialmente cuando los artículos parecen un sistema de visión por computadora. ”, Dice Matthew S. Reynolds, becario de innovación presidencial de CoMotion y profesor asociado de ingeniería eléctrica e informática en la Universidad de Washington, que no participó en la investigación. “El enfoque de RFusion es un gran paso adelante para la robótica que opera en cadenas de suministro complejas donde identificar y ‘seleccionar’ el artículo correcto de manera rápida y precisa es clave para garantizar que los pedidos se llenen a tiempo y que los clientes más exigentes estén satisfechos. »
La investigación está patrocinada por la National Science Foundation, una beca Sloan, NTT DATA, Toppan, Toppan Forms y el laboratorio Abdul Latif Jameel Water and Food Systems.
