За хората намирането на изгубен портфейл, заровен под купчина предмети, е доста лесно -- просто премахваме нещата от купчината, докато намерим портфейла. Но за робот тази задача включва сложни разсъждения за купчината и предметите в нея, което представлява голямо предизвикателство.
Изследователите на MIT по-рано демонстрираха роботизирана ръка, която комбинира визуална информация и радиочестотни (RF) сигнали, за да намери скрити обекти, които са маркирани с RFID етикети (които отразяват сигнали, изпратени от антена). Надграждайки тази работа, те са разработили нова система, която може ефективно да извади всеки предмет, заровен в купчина. Докато някои елементи в купчината имат RFID етикети, целевият елемент не е необходимо да бъде маркиран, за да може системата да го възстанови.
Алгоритмите зад системата, известни като FuseBot, определят вероятното местоположение и ориентация на обектите под купчината. Тогава FuseBot намира най-ефективния начин за премахване на пречещи обекти и извличане на целевия елемент. Това разсъждение позволи на FuseBot да намери повече скрити предмети, отколкото най-съвременна роботизирана система, за половината от времето.
Тази скорост може да бъде особено полезна в склад за електронна търговия. Робот, натоварен с обработката на връщанията, може да намери елементи в несортирана купчина по-ефективно със системата FuseBot, казва старшият автор Фадел Адиб, доцент в катедрата по електротехника и компютърни науки и директор на групата Signal Kinetics в Media Lab.
„Това, което този документ показва за първи път, е, че самото присъствие на артикул с RFID етикет в околната среда ви прави много по-лесно да изпълнявате други задачи по по-ефективен начин. Успяхме да направим това, защото добавихме мултимодални разсъждения към системата -- FuseBot може да разсъждава както за зрението, така и за RF, за да разбере купчина елементи“, добавя Адиб.
Към Адиб в статията се присъединяват изследователите Тара Борушаки, която е водещ автор; Лора Додс; и нацистът Наим. Изследването ще бъде представено на конференцията Robotics: Science and Systems.
Етикети за насочване
Скорошен пазарен доклад показва, че повече от 90 процента от търговците на дребно в САЩ сега използват RFID тагове, но технологията не е универсална, което води до ситуации, в които само някои обекти в купчини са маркирани.
Този проблем вдъхнови изследването на групата.
С FuseBot роботизирана ръка използва прикрепена видеокамера и RF антена, за да извлече немаркиран целеви елемент от смесена купчина. Системата сканира купчината с камерата си, за да създаде 3D модел на околната среда. Едновременно с това той изпраща сигнали от своята антена, за да локализира RFID етикети. Тези радиовълни могат да преминат през повечето твърди повърхности, така че роботът може да "вижда" дълбоко в купчината. Тъй като целевият артикул не е маркиран, FuseBot знае, че артикулът не може да бъде разположен точно на същото място като RFID етикет.
Алгоритмите обединяват тази информация, за да актуализират 3D модела на околната среда и да подчертаят потенциалните местоположения на целевия елемент; роботът знае неговия размер и форма. След това системата разсъждава относно обектите в купчината и местоположенията на RFID етикета, за да определи кой елемент да премахне, с цел да намери целевия елемент с най-малко движения.
Беше предизвикателство да се включат тези разсъждения в системата, казва Борушаки.
Роботът не е сигурен как обектите са ориентирани под купчината или как хлабав предмет може да се деформира от натискането на по-тежки предмети върху него. Той преодолява това предизвикателство с вероятностни разсъждения, използвайки това, което знае за размера и формата на даден обект и местоположението на неговия RFID етикет, за да моделира 3D пространството, което този обект вероятно ще заема.
Тъй като премахва елементи, той също така използва аргументи, за да реши кой елемент би бил „най-добрият“ за премахване следващия.
„Ако дам на човек купчина предмети за търсене, той най-вероятно първо ще премахне най-големия предмет, за да види какво има под него. Това, което прави роботът, е подобно, но също така включва RFID информация, за да вземе по-информирано решение. пита: „Колко повече ще разбере за тази купчина, ако премахне този предмет от повърхността?“, казва Борушаки.
След като премахне обект, роботът сканира отново купчината и използва нова информация, за да оптимизира стратегията си.
Резултати от извличане
Това разсъждение, както и използването на радиочестотни сигнали, дадоха предимство на FuseBot пред най-модерната система, която използва само зрение. Екипът проведе повече от 180 експериментални изпитания, използвайки истински роботизирани ръце и купчини с битови предмети, като офис консумативи, плюшени животни и дрехи. Те променяха размерите на купчините и броя на маркирани с RFID елементи във всяка купчина.
FuseBot извлича целевия елемент успешно в 95 процента от времето, в сравнение с 84 процента за другата роботизирана система. Той постигна това с 40 процента по-малко движения и успя да намери и извлече целеви елементи повече от два пъти по-бързо.
„Виждаме голямо подобрение в степента на успеваемост чрез включването на тази RF информация. Също така беше вълнуващо да видим, че успяхме да достигнем производителността на нашата предишна система и да я надминем в сценарии, при които целевият елемент няма RFID етикет", казва Додс.
FuseBot може да се прилага в различни настройки, тъй като софтуерът, който извършва своите сложни разсъждения, може да бъде внедрен на всеки компютър -- той просто трябва да комуникира с роботизирана ръка, която има камера и антена, добавя Борушаки.
В близко бъдеще изследователите планират да включат по-сложни модели във FuseBot, така че да работи по-добре върху деформируеми обекти. Освен това те се интересуват от изследване на различни манипулации, като например роботизирана ръка, която избутва предмети от пътя. Бъдещите повторения на системата могат да се използват и с мобилен робот, който търси множество купчини за изгубени предмети.
Тази работа беше финансирана отчасти от Националната научна фондация, изследователска стипендия на Sloan, NTT DATA, Toppan, Toppan Forms и MIT Media Lab.