Investigadores del Instituto Tecnológico de Massachusetts han desarrollado un brazo robótico totalmente integrado que fusiona datos visuales de una cámara e información de radiofrecuencia (RF) de una antena para localizar y recuperar objetos perdidos. Puede localizar objetos incluso si están enterrados o fuera de la vista.
El sistema se llama RFusion y el prototipo se basa en etiquetas RFID, que son etiquetas económicas y sin batería que reflejan las señales enviadas por una antena. Las señales de RF pueden viajar a través de la mayoría de las superficies, por lo que RFusion puede ubicar un elemento etiquetado incluso si está enterrado.
El brazo robótico utiliza el aprendizaje automático para concentrarse automáticamente en la ubicación exacta del objeto. Luego puede mover los elementos encima, agarrar el objeto y verificar que sea el objeto correcto. La cámara, la antena, el brazo robótico y la IA están totalmente integrados, lo que significa que el sistema puede funcionar en cualquier entorno sin necesidad de una configuración extensa.
Según los investigadores, RFusion podría usarse para aplicaciones como la clasificación de pilas para cumplir con los pedidos en un almacén o para identificar e instalar componentes en una planta de fabricación de automóviles.
Fadel Adib es autor principal y profesor asociado en el Departamento de Ingeniería Eléctrica e Informática. Adib también es director del grupo Signal Kinetics en el MIT Medical Lab.
“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 en el corto plazo, esto podría tener muchas aplicaciones en entornos de fabricación y almacenamiento”, dijo Adib.
Otros coautores de la investigación incluyen a la asistente de investigación Tara Boroushaki, autora principal; el estudiante de posgrado en ingeniería eléctrica e informática Isaac Perper; asociado de investigación Mergen Nachin; y Alberto Rodríguez, Profesor Asociado de la Clase de 1957 en el Departamento de Ingeniería Mecánica.
La investigación se presentará en la Conferencia de la Asociación de Maquinaria de Computación sobre Sistemas de Sensores Integrados en Red el próximo mes.
Entrenamiento del sistema
Los investigadores utilizaron el aprendizaje por refuerzo para entrenar una red neuronal que puede optimizar la trayectoria del robot hacia un objeto.
“Así también aprende nuestro cerebro. Recibimos recompensas de nuestros maestros, de nuestros padres, de un juego de computadora, etc. Lo mismo sucede en el aprendizaje por refuerzo. 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.
El algoritmo de optimización en RFusion fue recompensado cuando limitó la cantidad de movimientos para localizar el elemento y la distancia recorrida para recogerlo.
Probando RFusion
Los investigadores probaron el sistema en varios entornos, incluido uno en el que un llavero estaba enterrado en una caja llena de desorden y un control remoto escondido debajo de una pila de artículos en un sofá.
Adoptaron el enfoque de resumir las mediciones de RF y limitar los datos visuales al área justo en frente del robot para no sobrecargar el sistema. Esto resultó en una tasa de éxito del 96 por ciento al recuperar objetos completamente ocultos debajo de una pila.
“A veces, si solo confía en las mediciones de RF, habrá un valor atípico, y si solo confía 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 sólido”, dice Boroushaki.
Matthew S. Reynolds es becario de innovación presidencial de CoMotion y profesor asociado de ingeniería eléctrica e informática en la Universidad de Washington.
“Cada año, se utilizan miles de millones de etiquetas RFID para identificar objetos en las complejas cadenas de suministro actuales, incluidas prendas de vestir y muchos otros bienes de consumo. El enfoque de RFusion señala el camino hacia los robots autónomos que pueden excavar a través de una pila de artículos mixtos y clasificarlos utilizando los datos almacenados en las etiquetas RFID, de manera mucho más eficiente que tener que inspeccionar cada artículo individualmente, especialmente cuando los artículos se parecen a un sistema de visión artificial”, dice Reynolds. “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 exigentes”.
Los investigadores ahora buscarán aumentar la velocidad del sistema para moverlo sin problemas.