ربات برای بازیابی اشیاء مدفون بر عدم قطعیت غلبه می کند — ScienceDaily


برای انسان‌ها، یافتن کیف پول گمشده‌ای که در زیر انبوهی از اقلام دفن شده است بسیار ساده است — ما به سادگی اشیا را از انبوه خارج می‌کنیم تا زمانی که کیف پول را پیدا کنیم. اما برای یک ربات، این کار مستلزم استدلال پیچیده در مورد انبوه و اشیاء موجود در آن است که چالش بزرگی را به همراه دارد.

محققان MIT قبلاً یک بازوی رباتیک را نشان داده بودند که اطلاعات بصری و سیگنال‌های فرکانس رادیویی (RF) را برای یافتن اشیاء پنهانی که با برچسب‌های RFID (که سیگنال‌های ارسال شده توسط آنتن را منعکس می‌کنند) برچسب‌گذاری می‌کردند. با ساختن این کار، آنها اکنون یک سیستم جدید توسعه داده اند که می تواند به طور موثر هر شی مدفون در یک توده را بازیابی کند. تا زمانی که برخی از اقلام در شمع دارای برچسب RFID هستند، آیتم مورد نظر برای بازیابی سیستم نیازی به برچسب گذاری ندارد.

الگوریتم های پشت سیستم، معروف به FuseBot، در مورد مکان و جهت احتمالی اشیاء زیر شمع توضیح می دهند. سپس FuseBot کارآمدترین راه را برای حذف اشیاء مانع و استخراج آیتم هدف پیدا می کند. این استدلال FuseBot را قادر می‌سازد تا در نیمی از زمان، آیتم‌های پنهان بیشتری نسبت به یک سیستم روباتیک پیشرفته پیدا کند.

این سرعت می تواند به ویژه در انبار تجارت الکترونیک مفید باشد. فاضل ادیب، نویسنده ارشد، دانشیار گروه مهندسی برق و علوم کامپیوتر و مدیر گروه سینتیک سیگنال در آزمایشگاه رسانه، می‌گوید رباتی که وظیفه پردازش بازپرداخت‌ها را دارد، می‌تواند با سیستم FuseBot، اقلام را در یک توده مرتب نشده پیدا کند.

“آنچه که این مقاله برای اولین بار نشان می دهد این است که صرف وجود یک آیتم با برچسب RFID در محیط، دستیابی به وظایف دیگر را به شیوه ای کارآمدتر برای شما آسان تر می کند. ما توانستیم این کار را انجام دهیم زیرا ما اضافه کردیم. استدلال چندوجهی برای سیستم — FuseBot می تواند در مورد دید و RF برای درک انبوهی از موارد استدلال کند.”

تارا بروشاکی، دستیاران پژوهشی، که نویسنده اصلی است، به ادیب در این مقاله می‌پیوندند. لورا دادز; و نازیش نعیم. این تحقیق در کنفرانس روباتیک: علم و سیستم ارائه خواهد شد.

تگ های هدف گیری

گزارش اخیر بازار نشان می دهد که بیش از 90 درصد خرده فروشان ایالات متحده در حال حاضر از برچسب های RFID استفاده می کنند، اما این فناوری جهانی نیست و منجر به موقعیت هایی می شود که در آن فقط برخی از اشیاء درون شمع ها برچسب گذاری می شوند.

این مشکل الهام بخش تحقیقات این گروه شد.

با FuseBot، یک بازوی رباتیک از یک دوربین ویدئویی متصل و آنتن RF برای بازیابی یک مورد هدف بدون برچسب از یک توده مخلوط استفاده می کند. این سیستم با دوربین خود شمع را اسکن می کند تا یک مدل سه بعدی از محیط ایجاد کند. به طور همزمان، سیگنال هایی را از آنتن خود برای تعیین مکان تگ های RFID ارسال می کند. این امواج رادیویی می توانند از بیشتر سطوح جامد عبور کنند، بنابراین ربات می تواند اعماق شمع را ببیند. از آنجایی که آیتم هدف برچسب گذاری نشده است، FuseBot می داند که آیتم نمی تواند دقیقاً در همان نقطه تگ RFID قرار گیرد.

الگوریتم‌ها این اطلاعات را ترکیب می‌کنند تا مدل سه‌بعدی محیط را به‌روزرسانی کنند و مکان‌های بالقوه مورد هدف را برجسته کنند. ربات اندازه و شکل خود را می داند. سپس سیستم در مورد اشیاء موجود در محل شمع و تگ RFID استدلال می کند تا مشخص کند کدام آیتم را حذف کند، با این هدف که آیتم مورد نظر را با کمترین حرکت پیدا کند.

بروشاکی می گوید، گنجاندن این استدلال در سیستم چالش برانگیز بود.

ربات مطمئن نیست که چگونه اجسام در زیر شمع قرار گرفته اند، یا چگونه ممکن است یک آیتم له شده با فشار دادن وسایل سنگین روی آن تغییر شکل دهد. این چالش با استدلال احتمالی، با استفاده از آنچه در مورد اندازه و شکل یک شی و محل تگ RFID آن می داند برای مدل سازی فضای سه بعدی که شی احتمالا اشغال می کند، غلبه می کند.

همانطور که آیتم‌ها را حذف می‌کند، از استدلال نیز استفاده می‌کند تا تصمیم بگیرد که کدام آیتم «بهترین» برای حذف بعدی است.

“اگر من انبوهی از اقلام را به انسان بدهم تا جستجو کند، به احتمال زیاد ابتدا بزرگترین آیتم را حذف می کند تا ببیند زیر آن چیست. کاری که ربات انجام می دهد مشابه است، اما همچنین اطلاعات RFID را برای تصمیم گیری آگاهانه تری در خود جای داده است. بروشاکی می‌گوید: «اگر این انبوه را از روی سطح پاک کند چقدر بیشتر متوجه می‌شود؟»

پس از حذف یک شی، ربات دوباره شمع را اسکن می کند و از اطلاعات جدید برای بهینه سازی استراتژی خود استفاده می کند.

نتایج بازیابی

این استدلال و همچنین استفاده از سیگنال‌های RF، به FuseBot برتری نسبت به سیستم پیشرفته‌ای داد که فقط از دید استفاده می‌کرد. این تیم بیش از 180 آزمایش آزمایشی را با استفاده از بازوهای رباتیک واقعی و انبوهی از وسایل خانگی مانند لوازم اداری، حیوانات عروسکی و لباس انجام داد. آنها اندازه شمع ها و تعداد آیتم های دارای برچسب RFID را در هر شمع تغییر دادند.

FuseBot در 95 درصد مواقع مورد هدف را با موفقیت استخراج کرد، در مقایسه با 84 درصد برای سیستم رباتیک دیگر. این کار را با استفاده از 40 درصد حرکات کمتر انجام داد و توانست موارد مورد نظر را بیش از دو برابر سریعتر مکان یابی و بازیابی کند.

ما شاهد پیشرفت بزرگی در میزان موفقیت با استفاده از این اطلاعات RF هستیم. همچنین جالب بود که می‌توانستیم عملکرد سیستم قبلی خود را مطابقت دهیم و در سناریوهایی که مورد هدف فاقد RFID بود، از آن فراتر رفتیم. دادز می گوید.

بروشاکی اضافه می‌کند که FuseBot می‌تواند در تنظیمات مختلفی اعمال شود، زیرا نرم‌افزاری که استدلال پیچیده‌اش را انجام می‌دهد می‌تواند بر روی هر کامپیوتری پیاده‌سازی شود – فقط باید با یک بازوی روباتیک که دارای دوربین و آنتن است ارتباط برقرار کند.

در آینده نزدیک، محققان در حال برنامه ریزی برای ترکیب مدل های پیچیده تر در FuseBot هستند تا عملکرد بهتری بر روی اجسام تغییر شکل پذیر داشته باشد. فراتر از آن، آنها علاقه مند به کاوش در دستکاری های مختلف هستند، مانند یک بازوی روباتیک که موارد را از مسیر خارج می کند. تکرارهای آینده این سیستم همچنین می تواند با یک ربات متحرک که چندین انبوه را برای اشیاء گم شده جستجو می کند، مورد استفاده قرار گیرد.

این کار تا حدی توسط بنیاد ملی علوم، یک انجمن تحقیقاتی اسلون، NTT DATA، Toppan، Toppan Forms و آزمایشگاه رسانه MIT تامین شده است.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]