Crean robot que encuentra objetos perdidos

Este brazo robótico fusiona los datos de una cámara y una antena para localizar y recuperar elementos, incluso si están enterrados debajo de una pila.

Un viajero ocupado está listo para salir por la puerta, solo para darse cuenta de que ha perdido las llaves y debe buscar entre montones de cosas para encontrarlas.

Examinando rápidamente el desorden, desearía poder averiguar qué pila esconde las llaves.

Investigadores del MIT han creado un sistema robótico que puede hacer precisamente eso.

El sistema, RFusion, es un brazo robótico con una cámara y una antena de radiofrecuencia (RF) unidas a su pinza.

Fusiona las señales de la antena con la entrada visual de la cámara para localizar y recuperar un artículo, incluso si el artículo está enterrado debajo de una pila y completamente fuera de la vista.

El prototipo de RFusion que desarrollaron los investigadores se basa en etiquetas RFID, que son etiquetas baratas sin batería que se pueden pegar a un artículo y reflejan las señales enviadas por una antena.

Debido a que las señales de RF pueden viajar a través de la mayoría de las superficies (como el montón de ropa sucia que puede estar ocultando las llaves), RFusion puede ubicar un artículo etiquetado dentro de una pila.

Mediante el aprendizaje automático, el brazo robótico se concentra automáticamente en la ubicación exacta del objeto, mueve los elementos encima de él, agarra el objeto y verifica que haya recogido lo correcto.

La cámara, la antena, el brazo robótico y la IA están completamente integrados, por lo que RFusion puede funcionar en cualquier entorno sin necesidad de una configuración especial.

Si bien encontrar las llaves perdidas es útil, RFusion podría tener muchas aplicaciones más amplias en el futuro, como clasificar pilas 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 el hogar, aunque el prototipo actual aún no es lo suficientemente rápido para estos usos.

“Esta idea de poder encontrar elementos en un mundo caótico es un problema abierto en el que hemos estado trabajando durante algunos años.

Tener robots que puedan buscar cosas 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, esto podría tener muchas aplicaciones en entornos de fabricación y almacén ”, dijo el autor principal Fadel Adib, profesor asociado en el Departamento de Ingeniería Eléctrica y Computación. Ciencia y directora del grupo Signal Kinetics en el MIT Media Lab.

RFusion comienza a buscar un objeto usando su antena, que hace rebotar señales en 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 esa 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 esté vacía.

Pero una vez que el robot tiene una idea general de dónde está el artículo, necesitaría mover su brazo ampliamente por la habitación tomando medidas adicionales para llegar a 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 trayectoria 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 aprende nuestro cerebro.

Recibimos recompensas de nuestros maestros, de nuestros padres, de un juego de computadora, etc.

Lo mismo sucede con el aprendizaje reforzado.

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 fue recompensado cuando limitó la cantidad de movimientos que tenía que hacer para localizar el artículo y la distancia que tenía que recorrer para recogerlo.

Una vez que el sistema identifica el punto exacto 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 debe quitar otros elementos primero.

También escanea la etiqueta del artículo por última vez para asegurarse de que haya recogido el objeto correcto.

Los investigadores probaron RFusion en varios entornos diferentes.

Enterraron un llavero en una caja llena de desorden y escondieron un control remoto debajo de una pila de artículos en un sofá.

Pero si hubieran alimentado todos los datos de la cámara y las mediciones de RF al algoritmo de aprendizaje por refuerzo, habría abrumado al sistema.

Entonces, basándose en el método que usa un GPS para consolidar los datos de los satélites, resumieron las mediciones de RF y limitaron los datos visuales al área justo en frente del robot.

Su enfoque funcionó bien: RFusion tuvo una tasa de éxito del 96 por ciento al recuperar objetos que estaban completamente ocultos debajo de una pila.

“A veces, si solo confía en las mediciones de RF, habrá un valor atípico, y si confía solo en la visión, a veces habrá un error de la cámara.

Pero si los combinas, se van a corregir entre sí. Eso 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 tomar medidas.

Esto permitiría implementar RFusion en un entorno de fabricación o almacén de ritmo rápido.

Más allá de sus usos industriales potenciales, un sistema como este podría incluso incorporarse en futuros hogares inteligentes para ayudar a las personas con cualquier número 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 señala el camino hacia robots autónomos que pueden excavar en una pila de artículos mezclados y clasificarlos utilizando los datos almacenados en las etiquetas RFID, mucho más eficientemente que tener que inspeccionar cada artículo individualmente, especialmente cuando los artículos se ven similares para 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 la clave para cumplir con los pedidos a tiempo y mantener contentos a los clientes más exigentes“.

Fuente: MIT News