05/10/2021
Door Ad Spijkers
Robotarm combineert gegevens van een camera en antenne om items te lokaliseren en op te halen.
Het idee om items te kunnen vinden in een chaotische wereld is een open probleem waar onderzoekers aan het Massachusetts Institute of Technology (en elders) al een paar jaar aan werken. Robots die dingen onder een stapel kunnen zoeken, vormen een groeiende behoefte in de industrie. Al op korte termijn zou een dergelijke robot veel toepassingen kunnen hebben in productie- en magazijnomgevingen.
RF plus camera
Het bij MIT in Cambridge (Massachusetts) ontwikkelde systeem, RFusion, is een robotarm met een camera en een radioantenne die aan de grijper is bevestigd. Hij combineert signalen van de antenne met visuele input van de camera om een item te lokaliseren en op te halen, zelfs als het item uit het zicht is. Het prototype is gebaseerd op RFID-tags, goedkope passieve tags die aan een item kunnen worden geplakt en signalen reflecteren die door een antenne worden verzonden. Omdat RF-signalen door de meeste oppervlakken heen gaan, kan RFusion een getagd item in een stapel lokaliseren.
Met behulp van machine learning stelt de robotarm automatisch de exacte locatie van het object in en verplaatst de items die het gezochte object verbergen. Dan pakt hij het object vast en controleert of hij het juiste heeft opgepikt. De camera, antenne, robotarm en AI zijn volledig geïntegreerd, zodat RFusion in elke omgeving kan werken zonder een speciale opstelling.
Signalen verzenden
RFusion begint met het zoeken naar een object met behulp van zijn antenne, die signalen van de RFID-tag weerkaatst om een bolvormig gebied te doorzoeken. De robot combineert die bol met de camera-invoer, die de locatie van het object versmalt. Zodra de robot een algemeen idee heeft van waar het item zich bevindt, moet hij zijn arm door de ruimte zwaaien en aanvullende metingen doen om de exacte locatie te bepalen, wat traag en inefficiënt is.
De onderzoekers gebruikten leren door versterking (reinforcement learning) om een neuraal netwerk te trainen dat het traject van de robot naar het object kan optimaliseren. Bij deze techniek wordt het algoritme met vallen en opstaan getraind. Zodra het systeem de juiste plek identificeert, gebruikt het neurale netwerk gecombineerde RF- en visuele informatie om te voorspellen hoe de robotarm het object moet grijpen. Ook wordt de hoek van de hand en de breedte van de grijper bepaald en of het eerst andere items moet verwijderen . De robot scant ook de tag van het item nog een laatste keer om er zeker van te zijn dat het het juiste object heeft opgepakt.
De onderzoekers testten RFusion in verschillende omgevingen. Ze begroeven een sleutelhanger in een doos vol rommel en verstopten een afstandsbediening onder een stapel spullen op een bank. Maar met alle cameragegevens en RF-metingen zou het systeem overbelast raken. Gebruikmakend van de methode die een GPS gebruikt om gegevens van satellieten te consolideren, vatten de onderzoekers de RF-metingen samen en beperkten ze de visuele gegevens tot het gebied recht voor de robot. Deze aanpak werkte: RFusion had een slagingspercentage van 96% bij het ophalen van objecten die onder een stapel waren verborgen.
Toepassingen
Hoewel het vinden van verloren sleutels nuttig is, zou RFusion in de toekomst veel bredere toepassingen kunnen hebben. U kunt denken aan het sorteren van stapels om bestellingen in een magazijn uit te voeren, het identificeren en installeren van componenten in een autofabriek, of het helpen van een bejaarde persoon bij het uitvoeren van dagelijkse taken in huis. Wel is het huidige prototype nog niet snel genoeg voor deze toepassingen.
In de toekomst hopen de onderzoekers het systeem te versnellen , zodat het soepel kan bewegen, in plaats van periodiek te stoppen om metingen uit te voeren. Hierdoor kan RFusion worden ingezet in een snelle productie- of magazijnomgeving. Behalve in industriële toepassingen zou een dergelijk systeem ook in toekomstige slimme huizen kunnen worden opgenomen om mensen te helpen met een aantal huishoudelijke taken.
“Elk jaar worden miljarden RFID-tags gebruikt om objecten te identificeren, waaronder kleding en andere consumptiegoederen. De RFusion-benadering wijst de weg naar autonome robots die door een stapel gemengde items kunnen graven en ze kunnen sorteren met behulp van de gegevens die zijn opgeslagen in de RFID-tags. Dit is veel efficiënter dan elk item afzonderlijk inspecteren, vooral wanneer de items lijken op een computer vision systeem.
De RFusion-aanpak is een stap voorwaarts voor robotica in complexe toeleveringsketens. Het snel en nauwkeurig identificeren en picken van het juiste artikel is de sleutel om bestellingen op tijd te leveren en veeleisende klanten tevreden te houden.
Foto: MIT