นักวิจัยที่ MIT ได้สร้างระบบหุ่นยนต์ที่สามารถทำเช่นนั้นได้ ระบบ RFusion เป็นแขนหุ่นยนต์ที่มีกล้องและเสาอากาศความถี่วิทยุ (RF) ติดอยู่กับกริปเปอร์ โดยจะรวมสัญญาณจากเสาอากาศเข้ากับอินพุตด้วยภาพจากกล้องเพื่อค้นหาและเรียกค้นรายการ แม้ว่ารายการนั้นจะถูกฝังอยู่ใต้กองและไม่อยู่ในสายตาก็ตาม

ต้นแบบ RFusion ที่นักวิจัยพัฒนาขึ้นนั้นอาศัยแท็ก RFID ซึ่งเป็นแท็กราคาถูก ไม่ต้องใช้แบตเตอรี่ ซึ่งสามารถติดกับสิ่งของและสะท้อนสัญญาณที่ส่งมาจากเสาอากาศ เนื่องจากสัญญาณ RF สามารถเดินทางผ่านพื้นผิวส่วนใหญ่ได้ (เช่น กองผ้าสกปรกที่อาจปิดบังกุญแจ) RFusion สามารถระบุตำแหน่งรายการที่ติดแท็กภายในกองได้

ด้วยการใช้การเรียนรู้ของเครื่อง แขนหุ่นยนต์จะกำหนดตำแหน่งที่แน่นอนของวัตถุเป็นศูนย์โดยอัตโนมัติ ย้ายสิ่งของที่อยู่ด้านบนสุด จับวัตถุ และตรวจสอบว่าหยิบสิ่งที่ถูกต้องขึ้นมาได้ กล้อง เสาอากาศ แขนหุ่นยนต์ และ AI ถูกรวมเข้าด้วยกันอย่างสมบูรณ์ ดังนั้น RFusion สามารถทำงานได้ในทุกสภาพแวดล้อมโดยไม่ต้องตั้งค่าพิเศษ

แม้ว่าการค้นหากุญแจที่สูญหายจะเป็นประโยชน์ แต่ RFusion อาจมีการใช้งานที่กว้างขึ้นในอนาคต เช่น การจัดเรียงกองเพื่อทำตามคำสั่งซื้อในคลังสินค้า การระบุและติดตั้งส่วนประกอบในโรงงานผลิตรถยนต์ หรือช่วยเหลือผู้สูงอายุทำงานประจำวันในบ้าน แม้ว่าต้นแบบในปัจจุบันจะยังไม่เร็วพอสำหรับการใช้งานเหล่านี้

“ความคิดที่จะสามารถค้นหาสิ่งของในโลกที่วุ่นวายนี้เป็นปัญหาเปิดที่เราได้ดำเนินการมาสองสามปีแล้ว การมีหุ่นยนต์ที่สามารถค้นหาสิ่งต่าง ๆ ภายใต้กองพะเนินเทินทึกเป็นความต้องการที่เพิ่มขึ้นในอุตสาหกรรมในปัจจุบันนี้ ในตอนนี้ คุณสามารถคิดได้ว่านี่เป็น Roomba ที่ใช้สเตียรอยด์ แต่ในระยะอันใกล้ สิ่งนี้อาจมีการใช้งานมากมายในสภาพแวดล้อมการผลิตและคลังสินค้า” Fadel Adib ผู้เขียนอาวุโส รองศาสตราจารย์ในภาควิชาวิศวกรรมไฟฟ้าและวิทยาการคอมพิวเตอร์กล่าว และผู้อำนวยการกลุ่ม Signal Kinetics ใน MIT Media Lab

ผู้เขียนร่วม ได้แก่ ผู้ช่วยวิจัย Tara Boroshaki ผู้เขียนนำ; นักศึกษาระดับบัณฑิตศึกษาสาขาวิศวกรรมไฟฟ้าและวิทยาการคอมพิวเตอร์ Isaac Perper; ผู้ร่วมวิจัย Mergen Nachin; และ Alberto Rodriguez รองศาสตราจารย์ระดับปี 2500 ในภาควิชาวิศวกรรมเครื่องกล งานวิจัยนี้จะนำเสนอในการประชุม Association for Computing Machinery Conference on Embedded Networked Senor Systems ในเดือนหน้า

ส่งสัญญาณ

RFusion เริ่มค้นหาวัตถุโดยใช้เสาอากาศ ซึ่งจะสะท้อนสัญญาณจากแท็ก RFID (เช่น แสงแดดที่สะท้อนจากกระจก) เพื่อระบุพื้นที่ทรงกลมที่แท็กตั้งอยู่ มันรวมทรงกลมนั้นเข้ากับอินพุตของกล้อง ซึ่งทำให้ตำแหน่งของวัตถุแคบลง ตัวอย่างเช่น ไม่สามารถวางรายการบนพื้นที่ของตารางที่ว่างเปล่า

แต่เมื่อหุ่นยนต์มีความคิดทั่วไปว่าสิ่งของนั้นอยู่ที่ไหน มันจะต้องเหวี่ยงแขนไปรอบๆ ห้องโดยวัดเพิ่มเติมเพื่อหาตำแหน่งที่แน่นอน ซึ่งช้าและไม่มีประสิทธิภาพ

นักวิจัยใช้การเรียนรู้การเสริมแรงเพื่อฝึกโครงข่ายประสาทเทียมที่สามารถเพิ่มประสิทธิภาพวิถีโคจรของหุ่นยนต์ไปยังวัตถุได้ ในการเรียนรู้การเสริมแรง อัลกอริธึมได้รับการฝึกอบรมผ่านการลองผิดลองถูกด้วยระบบการให้รางวัล

“นี่คือวิธีที่สมองของเราเรียนรู้เช่นกัน เราได้รับรางวัลจากครูของเรา จากพ่อแม่ของเรา จากเกมคอมพิวเตอร์ ฯลฯ สิ่งเดียวกันนี้เกิดขึ้นในการเรียนรู้แบบเสริมกำลัง เราปล่อยให้เจ้าหน้าที่ทำผิดพลาดหรือทำสิ่งที่ถูกต้องแล้วเราจะลงโทษหรือ ให้รางวัลแก่เครือข่าย นี่คือวิธีที่เครือข่ายเรียนรู้บางสิ่งที่ยากสำหรับการสร้างแบบจำลอง” โบโรชากิอธิบาย

ในกรณีของ RFusion อัลกอริธึมการปรับให้เหมาะสมจะได้รับรางวัลเมื่อจำกัดจำนวนการเคลื่อนไหวที่ต้องทำเพื่อโลคัลไลซ์รายการและระยะทางที่ต้องเดินทางไปหยิบขึ้นมา

เมื่อระบบระบุจุดที่ถูกต้องแล้ว โครงข่ายประสาทเทียมจะใช้ข้อมูล RF และข้อมูลภาพร่วมกันเพื่อคาดการณ์ว่าแขนหุ่นยนต์ควรจับวัตถุอย่างไร รวมทั้งมุมของมือและความกว้างของกริปเปอร์ และต้องลบรายการอื่นๆ ออกก่อนหรือไม่ . นอกจากนี้ยังสแกนแท็กของรายการเป็นครั้งสุดท้ายเพื่อให้แน่ใจว่าเลือกวัตถุที่ถูกต้อง

ตัดผ่านความยุ่งเหยิง

นักวิจัยได้ทดสอบ RFusion ในสภาพแวดล้อมต่างๆ พวกเขาฝังพวงกุญแจในกล่องที่เต็มไปด้วยของรกๆ และซ่อนรีโมทคอนโทรลไว้ใต้กองสิ่งของบนโซฟา

แต่ถ้าพวกเขาป้อนข้อมูลกล้องและการวัด RF ทั้งหมดไปยังอัลกอริธึมการเรียนรู้การเสริมแรง จะทำให้ระบบล้นหลาม ดังนั้น จากวิธีการที่ GPS ใช้ในการรวบรวมข้อมูลจากดาวเทียม พวกเขาจึงสรุปการวัด RF และจำกัดข้อมูลภาพไว้ที่บริเวณด้านหน้าของหุ่นยนต์

วิธีการของพวกเขาทำงานได้ดี -- RFusion มีอัตราความสำเร็จ 96 เปอร์เซ็นต์เมื่อดึงวัตถุที่ซ่อนอยู่อย่างสมบูรณ์ภายใต้กอง

“บางครั้ง หากคุณอาศัยการวัด RF เพียงอย่างเดียว ก็จะมีค่าผิดปกติ และหากคุณอาศัยเพียงการมองเห็น บางครั้งอาจมีข้อผิดพลาดจากกล้อง แต่ถ้าคุณรวมเข้าด้วยกัน สิ่งเหล่านี้จะแก้ไขได้ ซึ่งกันและกัน นั่นคือสิ่งที่ทำให้ระบบแข็งแกร่งมาก” โบโรชากิกล่าว

ในอนาคต นักวิจัยหวังว่าจะเพิ่มความเร็วของระบบเพื่อให้สามารถเคลื่อนที่ได้อย่างราบรื่น แทนที่จะหยุดทำการวัดเป็นระยะๆ ซึ่งจะช่วยให้สามารถนำ RFusion ไปใช้ในการผลิตที่รวดเร็วหรือการตั้งค่าคลังสินค้า

นอกเหนือจากการใช้ในอุตสาหกรรมที่มีศักยภาพแล้ว ระบบเช่นนี้ยังสามารถรวมเข้ากับบ้านอัจฉริยะในอนาคตเพื่อช่วยเหลือผู้คนในงานบ้านจำนวนมาก Boroushaki กล่าว

"ทุกปี แท็ก RFID หลายพันล้านรายการถูกใช้เพื่อระบุวัตถุในห่วงโซ่อุปทานที่ซับซ้อนในปัจจุบัน รวมถึงเสื้อผ้าและสินค้าอุปโภคบริโภคอื่น ๆ อีกมากมาย แนวทาง RFusion ชี้ให้เห็นถึงหนทางสู่หุ่นยนต์อิสระที่สามารถขุดผ่านกองของผสมและจัดเรียงได้ Matthew S. Reynolds, CoMotion Presidential Innovation Fellow และรองศาสตราจารย์ด้านไฟฟ้าและคอมพิวเตอร์ใช้ข้อมูลที่จัดเก็บไว้ในแท็ก RFID วิศวกรรมศาสตร์ที่มหาวิทยาลัยวอชิงตันซึ่งไม่ได้มีส่วนร่วมในการวิจัย "แนวทาง RFusion เป็นก้าวที่ยิ่งใหญ่สำหรับหุ่นยนต์ที่ทำงานในห่วงโซ่อุปทานที่ซับซ้อนซึ่งระบุและ "หยิบ"jokergame สล็อตออนไลน์