Il braccio robotico completamente integrato individua e recupera gli oggetti smarriti
Immagine: MITI ricercatori del Massachusetts Institute of Technology hanno sviluppato un braccio robotico completamente integrato che fonde i dati visivi da una telecamera e le informazioni a radiofrequenza (RF) da un’antenna per individuare e recuperare gli oggetti persi. Può individuare oggetti anche se sono sepolti o non visibili.
Il sistema si chiama RFusion e il prototipo si basa su tag RFID, tag economici e senza batteria che riflettono i segnali inviati da un’antenna. I segnali RF possono viaggiare attraverso la maggior parte delle superfici, quindi RFusion può individuare un oggetto etichettato anche se è sepolto.
Il braccio robotico utilizza l’apprendimento automatico per azzerare automaticamente la posizione esatta dell’oggetto. Può quindi spostare gli oggetti sopra di esso, afferrare l’oggetto e verificare che sia l’oggetto corretto. La fotocamera, l’antenna, il braccio robotico e l’intelligenza artificiale sono completamente integrati, il che significa che il sistema può funzionare in qualsiasi ambiente senza richiedere una configurazione estesa.
Secondo i ricercatori, RFusion potrebbe essere utilizzato per applicazioni come lo smistamento tra pile per evadere gli ordini in un magazzino o per identificare e installare componenti in un impianto di produzione di automobili.
Fadel Adib è autore senior e professore associato presso il Dipartimento di Ingegneria Elettrica e Informatica. Adib è anche direttore del gruppo Signal Kinetics nel MIT Medical Lab.
“Questa idea di poter trovare oggetti in un mondo caotico è un problema aperto su cui stiamo lavorando da alcuni anni. Avere robot in grado di cercare le cose sotto una pila è un’esigenza crescente nell’industria di oggi. In questo momento, puoi pensare a questo come un Roomba sotto steroidi, ma nel breve termine potrebbe avere molte applicazioni negli ambienti di produzione e di magazzino”, ha affermato Adib.
Altri coautori della ricerca includono l’assistente di ricerca Tara Boroushaki, l’autore principale; Isaac Perper, studente laureato in ingegneria elettrica e informatica; associato di ricerca Mergen Nachin; e Alberto Rodriguez, Professore Associato Classe 1957 presso il Dipartimento di Ingegneria Meccanica.
La ricerca sarà presentata il mese prossimo alla conferenza dell’Association for Computing Machinery sui sistemi di sensori in rete incorporati.
Allenare il sistema
I ricercatori hanno utilizzato l’ apprendimento per rinforzo per addestrare una rete neurale in grado di ottimizzare la traiettoria del robot verso un oggetto.
“Questo è anche il modo in cui il nostro cervello impara. Veniamo ricompensati dai nostri insegnanti, dai nostri genitori, da un gioco per computer, ecc. La stessa cosa accade nell’apprendimento per rinforzo. Lasciamo che l’agente commetta errori o faccia qualcosa di giusto e poi puniamo o premiamo la rete. È così che la rete apprende qualcosa che è davvero difficile da modellare”, spiega Boroushaki.
L’algoritmo di ottimizzazione in RFusion è stato premiato quando ha limitato il numero di mosse per localizzare l’oggetto e la distanza percorsa per raccoglierlo.
I ricercatori hanno testato il sistema in diversi ambienti, incluso uno in cui un portachiavi era sepolto in una scatola piena di oggetti e un telecomando nascosto sotto una pila di oggetti su un divano.
Hanno adottato l’approccio di riassumere le misurazioni RF e limitare i dati visivi all’area proprio di fronte al robot per non sovraccaricare il sistema. Ciò ha comportato una percentuale di successo del 96% durante il recupero di oggetti completamente nascosti sotto una pila.
“A volte, se ti affidi solo alle misurazioni RF, ci sarà un valore anomalo, e se ti affidi solo alla visione, a volte ci sarà un errore dalla fotocamera. Ma se li combini, si correggeranno a vicenda. Questo è ciò che ha reso il sistema così robusto”, afferma Boroushaki.
Matthew S. Reynolds è CoMotion Presidential Innovation Fellow e professore associato di ingegneria elettrica e informatica presso l’Università di Washington.
“Ogni anno, miliardi di tag RFID vengono utilizzati per identificare gli oggetti nelle complesse catene di approvvigionamento di oggi, inclusi abbigliamento e molti altri beni di consumo. L’approccio RFusion indica la strada verso robot autonomi in grado di scavare attraverso una pila di oggetti misti e ordinarli utilizzando i dati memorizzati nei tag RFID, in modo molto più efficiente rispetto al dover ispezionare ogni oggetto singolarmente, soprattutto quando gli oggetti sembrano simili a un sistema di visione artificiale”, afferma Reynolds. “L’approccio RFusion è un grande passo avanti per la robotica che opera in complesse catene di approvvigionamento in cui identificare e “prelevare” l’articolo giusto in modo rapido e accurato è la chiave per evadere gli ordini in tempo e soddisfare i clienti esigenti.”
I ricercatori ora cercheranno di aumentare la velocità del sistema per spostarlo senza intoppi.
