Ένα ρομπότ που βρίσκει χαμένα αντικείμενα


Ερευνητές στο MIT ανέπτυξαν έναν πλήρως ενσωματωμένο ρομποτικό βραχίονα που συγχωνεύει οπτικά δεδομένα από μια κάμερα και πληροφορίες ραδιοσυχνοτήτων (RF) από μια κεραία για να βρουν και να ανακτήσουν αντικείμενα, ακόμη και όταν είναι θαμμένα κάτω από ένα σωρό και εντελώς εκτός οράσεως. Credits: Ευγενική προσφορά των ερευνητών

Του Adam Zewe | Γραφείο Ειδήσεων MIT

Ένας πολυάσχολος επιβάτης είναι έτοιμος να βγει από την πόρτα, μόνο για να συνειδητοποιήσει ότι έχει τοποθετήσει λάθος τα κλειδιά του και πρέπει να ψάξει ανάμεσα σε σωρούς αντικειμένων για να τα βρει. Κοσκινίζοντας γρήγορα την ακαταστασία, εύχονται να καταλάβουν σε ποιο σωρό κρύβονται τα κλειδιά.

Ερευνητές στο MIT δημιούργησαν ένα ρομποτικό σύστημα που μπορεί να κάνει ακριβώς αυτό. Το σύστημα, RFusion, είναι ένας ρομποτικός βραχίονας με κάμερα και κεραία ραδιοσυχνοτήτων (RF) συνδεδεμένες στη λαβή του. Συνδυάζει σήματα από την κεραία με οπτική είσοδο από την κάμερα για τον εντοπισμό και την ανάκτηση ενός αντικειμένου, ακόμα κι αν το αντικείμενο είναι θαμμένο κάτω από ένα σωρό και εντελώς εκτός οπτικού πεδίου.

Το πρωτότυπο RFusion που ανέπτυξαν οι ερευνητές βασίζεται σε ετικέτες RFID, οι οποίες είναι φθηνές ετικέτες χωρίς μπαταρία που μπορούν να κολληθούν σε ένα αντικείμενο και να αντανακλούν τα σήματα που αποστέλλονται από μια κεραία. Επειδή τα σήματα ραδιοσυχνοτήτων μπορούν να διασχίσουν τις περισσότερες επιφάνειες (όπως το λόφο από βρώμικα ρούχα που μπορεί να κρύβουν τα κλειδιά), το RFusion είναι σε θέση να εντοπίσει ένα αντικείμενο με ετικέτα μέσα σε ένα σωρό.

Χρησιμοποιώντας τη μηχανική εκμάθηση, ο ρομποτικός βραχίονας μηδενίζει αυτόματα την ακριβή θέση του αντικειμένου, μετακινεί τα αντικείμενα πάνω του, πιάνει το αντικείμενο και επαληθεύει ότι σήκωσε το σωστό πράγμα. Η κάμερα, η κεραία, ο ρομποτικός βραχίονας και η τεχνητή νοημοσύνη είναι πλήρως ενσωματωμένα, έτσι το RFusion μπορεί να λειτουργήσει σε οποιοδήποτε περιβάλλον χωρίς να απαιτείται ειδική ρύθμιση.

Σε αυτό το βίντεο ακόμα, ο ρομποτικός βραχίονας ψάχνει για κλειδιά κρυμμένα κάτω από αντικείμενα. Credits: Ευγενική προσφορά των ερευνητών

Ενώ η εύρεση χαμένων κλειδιών είναι χρήσιμη, το RFusion θα μπορούσε να έχει πολλές ευρύτερες εφαρμογές στο μέλλον, όπως η ταξινόμηση σε σωρούς για την εκπλήρωση παραγγελιών σε μια αποθήκη, η αναγνώριση και η εγκατάσταση εξαρτημάτων σε ένα εργοστάσιο κατασκευής αυτοκινήτων ή η βοήθεια ενός ηλικιωμένου να εκτελεί καθημερινές εργασίες στο σπίτι. αν και το τρέχον πρωτότυπο δεν είναι αρκετά γρήγορο ακόμα για αυτές τις χρήσεις.

«Αυτή η ιδέα να μπορούμε να βρίσκουμε αντικείμενα σε έναν χαοτικό κόσμο είναι ένα ανοιχτό πρόβλημα που εργαζόμαστε εδώ και μερικά χρόνια. Η ύπαρξη ρομπότ που μπορούν να αναζητούν πράγματα κάτω από ένα σωρό είναι μια αυξανόμενη ανάγκη στη βιομηχανία σήμερα. Αυτήν τη στιγμή, μπορείτε να το σκεφτείτε ως Roomba για στεροειδή, αλλά βραχυπρόθεσμα, αυτό θα μπορούσε να έχει πολλές εφαρμογές σε περιβάλλοντα παραγωγής και αποθήκης», δήλωσε ο ανώτερος συγγραφέας Fadel Adib, αναπληρωτής καθηγητής στο Τμήμα Ηλεκτρολόγων Μηχανικών και Υπολογιστών. Επιστήμη και διευθυντής της ομάδας Signal Kinetics στο MIT Media Lab.

Οι συν-συγγραφείς περιλαμβάνουν την ερευνητική βοηθό Tara Boroushaki, την κύρια συγγραφέα. μεταπτυχιακός φοιτητής ηλεκτρολόγων μηχανικών και πληροφορικής Isaac Perper. επιστημονικός συνεργάτης Mergen Nachin. και Alberto Rodriguez, Αναπληρωτής Καθηγητής της Τάξης του 1957 στο Τμήμα Μηχανολόγων Μηχανικών. Η έρευνα θα παρουσιαστεί στο Συνέδριο του Association for Computing Machinery on Embedded Networked Senor Systems τον επόμενο μήνα.

Αποστολή σημάτων

Το RFusion ξεκινά την αναζήτηση ενός αντικειμένου χρησιμοποιώντας την κεραία του, η οποία αναπηδά σήματα από την ετικέτα RFID (όπως το ηλιακό φως που αντανακλάται από έναν καθρέφτη) για να αναγνωρίσει μια σφαιρική περιοχή στην οποία βρίσκεται η ετικέτα. Συνδυάζει αυτή τη σφαίρα με την είσοδο της κάμερας, η οποία περιορίζει τη θέση του αντικειμένου. Για παράδειγμα, το στοιχείο δεν μπορεί να βρίσκεται σε μια περιοχή ενός πίνακα που είναι κενή.

Αλλά μόλις το ρομπότ έχει μια γενική ιδέα για το πού βρίσκεται το αντικείμενο, θα πρέπει να περιστρέφει το χέρι του ευρέως γύρω από το δωμάτιο κάνοντας επιπλέον μετρήσεις για να βρει την ακριβή τοποθεσία, η οποία είναι αργή και αναποτελεσματική.

Οι ερευνητές χρησιμοποίησαν ενισχυτική μάθηση για να εκπαιδεύσουν ένα νευρωνικό δίκτυο που μπορεί να βελτιστοποιήσει την τροχιά του ρομπότ προς το αντικείμενο. Στην ενισχυτική μάθηση, ο αλγόριθμος εκπαιδεύεται μέσω δοκιμής και λάθους με ένα σύστημα ανταμοιβής.

«Έτσι μαθαίνει και ο εγκέφαλός μας. Επιβραβευόμαστε από τους δασκάλους μας, από τους γονείς μας, από ένα παιχνίδι στον υπολογιστή κ.λπ. Το ίδιο συμβαίνει και στην ενισχυτική μάθηση. Αφήνουμε τον πράκτορα να κάνει λάθη ή να κάνει κάτι σωστά και μετά τιμωρούμε ή ανταμείβουμε το δίκτυο. Έτσι το δίκτυο μαθαίνει κάτι που είναι πραγματικά δύσκολο για αυτό να μοντελοποιήσει», εξηγεί η Μπορουσάκη.

Στην περίπτωση του RFusion, ο αλγόριθμος βελτιστοποίησης ανταμείφθηκε όταν περιόρισε τον αριθμό των κινήσεων που έπρεπε να κάνει για να εντοπίσει το αντικείμενο και την απόσταση που έπρεπε να διανύσει για να το παραλάβει.

Μόλις το σύστημα εντοπίσει το ακριβές σωστό σημείο, το νευρωνικό δίκτυο χρησιμοποιεί συνδυασμένη ραδιοσυχνότητα και οπτικές πληροφορίες για να προβλέψει πώς ο ρομποτικός βραχίονας πρέπει να πιάσει το αντικείμενο, συμπεριλαμβανομένης της γωνίας του χεριού και του πλάτους της λαβής και εάν πρέπει πρώτα να αφαιρέσει άλλα αντικείμενα. . Σαρώνει επίσης την ετικέτα του αντικειμένου για τελευταία φορά για να βεβαιωθεί ότι έχει πάρει το σωστό αντικείμενο.

Κόβοντας την ακαταστασία

Οι ερευνητές δοκίμασαν το RFusion σε πολλά διαφορετικά περιβάλλοντα. Έθαψαν ένα μπρελόκ σε ένα κουτί γεμάτο ακαταστασία και έκρυψαν ένα τηλεχειριστήριο κάτω από ένα σωρό αντικείμενα σε έναν καναπέ.

Αλλά αν τροφοδοτούσαν όλα τα δεδομένα της κάμερας και τις μετρήσεις RF στον αλγόριθμο ενίσχυσης εκμάθησης, θα είχε κατακλύσει το σύστημα. Έτσι, βασιζόμενοι στη μέθοδο που χρησιμοποιεί ένα GPS για την ενοποίηση δεδομένων από δορυφόρους, συνόψισαν τις μετρήσεις RF και περιόρισαν τα οπτικά δεδομένα στην περιοχή ακριβώς μπροστά από το ρομπότ.

Η προσέγγισή τους λειτούργησε καλά – το RFusion είχε ποσοστό επιτυχίας 96 τοις εκατό κατά την ανάκτηση αντικειμένων που ήταν πλήρως κρυμμένα κάτω από ένα σωρό.

«Αφήνουμε τον πράκτορα να κάνει λάθη ή να κάνει κάτι σωστά και μετά τιμωρούμε ή επιβραβεύουμε το δίκτυο. Αυτός είναι ο τρόπος με τον οποίο το δίκτυο μαθαίνει κάτι που είναι πραγματικά δύσκολο για αυτό να μοντελοποιήσει», εξηγεί η συν-συγγραφέας Tara Boroushaki, που απεικονίζεται εδώ. Credits: Ευγενική προσφορά των ερευνητών

«Μερικές φορές, εάν βασίζεστε μόνο σε μετρήσεις ραδιοσυχνοτήτων, θα υπάρχει μια ακραία τιμή, και εάν βασίζεστε μόνο στην όραση, μερικές φορές θα υπάρξει ένα λάθος από την κάμερα. Αλλά αν τα συνδυάσετε, θα διορθώσουν το ένα το άλλο. Αυτό είναι που έκανε το σύστημα τόσο στιβαρό», λέει η Μπορουσάκη.

Στο μέλλον, οι ερευνητές ελπίζουν να αυξήσουν την ταχύτητα του συστήματος ώστε να μπορεί να κινείται ομαλά, αντί να σταματά περιοδικά για να κάνει μετρήσεις. Αυτό θα επέτρεπε την ανάπτυξη του RFusion σε περιβάλλον με γρήγορο ρυθμό παραγωγής ή αποθήκης.

Πέρα από τις πιθανές βιομηχανικές του χρήσεις, ένα σύστημα όπως αυτό θα μπορούσε ακόμη και να ενσωματωθεί σε μελλοντικά έξυπνα σπίτια για να βοηθήσει τους ανθρώπους σε οποιεσδήποτε οικιακές εργασίες, λέει ο Boroushaki.

«Κάθε χρόνο, δισεκατομμύρια ετικέτες RFID χρησιμοποιούνται για την αναγνώριση αντικειμένων στις σημερινές πολύπλοκες αλυσίδες εφοδιασμού, συμπεριλαμβανομένων των ρούχων και πολλών άλλων καταναλωτικών αγαθών. Η προσέγγιση RFusion δείχνει τον δρόμο σε αυτόνομα ρομπότ που μπορούν να σκάψουν μέσα από ένα σωρό μικτών αντικειμένων και να τα ταξινομήσουν χρησιμοποιώντας τα δεδομένα που είναι αποθηκευμένα στις ετικέτες RFID, πολύ πιο αποτελεσματικά από το να χρειάζεται να επιθεωρήσουν κάθε αντικείμενο ξεχωριστά, ειδικά όταν τα αντικείμενα μοιάζουν με σύστημα όρασης υπολογιστή», λέει ο Matthew S. Reynolds, Συνεργάτης Προεδρικής Καινοτομίας της CoMotion και αναπληρωτής καθηγητής ηλεκτρολογίας και μηχανικής υπολογιστών στο Πανεπιστήμιο της Ουάσιγκτον, ο οποίος δεν συμμετείχε στην έρευνα. «Η προσέγγιση RFusion είναι ένα μεγάλο βήμα προς τα εμπρός για τη ρομποτική που λειτουργεί σε πολύπλοκες αλυσίδες εφοδιασμού, όπου ο εντοπισμός και η «επιλογή» του σωστού προϊόντος γρήγορα και με ακρίβεια είναι το κλειδί για την έγκαιρη εκπλήρωση των παραγγελιών και τη διατήρηση των απαιτητικών πελατών ευχαριστημένων».

Η έρευνα χρηματοδοτείται από το Εθνικό Ίδρυμα Επιστημών, μια ερευνητική υποτροφία Sloan, NTT DATA, Toppan, Toppan Forms και το Εργαστήριο Συστημάτων Υδάτων και Τροφίμων Abdul Latif Jameel.

ετικέτες: ,


Ειδήσεις MIT



Source link

By koutsobolis

koutsobolis.com

Αφήστε μια απάντηση

Η ηλ. διεύθυνση σας δεν δημοσιεύεται. Τα υποχρεωτικά πεδία σημειώνονται με *