فروشگاه کانواس (بوم مدل کسبوکار) آرباکو

این بازوی رباتیک داده‌ها را با یک دوربین و آنتن ترکیب می‌کند تا اشیاء را حتی اگر زیر وسایل زیادی مدفون شده باشند، بیابد.

چکیده

محققان یک بازوی رباتیک کاملاً یکپارچه‌ای را ابداع کرده‌اند که داده‌های تصویری را با یک دوربین و اطلاعات فرکانس رادیویی (RF) یک آنتن در هم می‌آمیزد تا اشیاء را حتی اگر زیر توده‌ای وسایل مدفون باشند یا خارج از دید باشند پیدا کرده و مجدداً برمی‌گردانند.

موضوع اصلی

مسافر هرروزه آماده بیرون رفتن است، تنها برای تحقق این مطلب که آن‌ها کلیدهایشان را سر جایش نگذاشته‌اند و باید مقدار زیادی از وسایل را جستجو کنند تا آن‌ها را بیابند. با گشتن سریع در بین خرت‌وپرت‌ها، آن‌ها آرزو می‌کنند که بتوانند بفهمند که کلیدها زیر کدام وسایل، پنهان شده بودند.

محققان در MIT،یک سیستم رباتیک ابداع کرده‌اند که می‌تواند دقیقاً این کار را انجام دهد. این سیستم، RFusion، یک بازوی رباتیک دارای دوربین و آنتن RF متصل به چنگک است. سیگنال‌های حاصل از آنتن را با ورودی تصویری از دوربین ترکیب می‌کند تا یک شیء را یافته و برگرداند، حتی اگر آن شیء زیر انبوهی از وسایل مدفون شده و کاملاً خارج از دید باشد.

نمونه اصلی RFusion را که محققان ابداع کرده‌اند متکی بر برچسب‌های RFID هستند که برچسب‌های بدون باتری و ارزانی هستند که می‌توانند به یک شیء بچسبند و سیگنال‌های ارسال شده توسط آنتن را بازتاب نمایند. چون سیگنال‌های RF می‌توانند به درون اکثر سطوح حرکت کنند (مانند توده رخت‌های چرک که ممکن است کلیدها در آنجا پنهان شده باشند)، RFusion قادر است که یک شیء برچسب خورده را در بین انبوه وسایل پیدا نماید.

با استفاده از یادگیری ماشینی، بازوی رباتیک به طور خودکار، محل دقیق شیء را هدف‌گیری می‌کند، اشیاء بالای آن را تکان می‌دهد، شیء را به چنگ می‌آورد و بررسی می‌کند که آیا چیز درستی را برداشته است یا نه. دوربین، آنتن، بازوی رباتیک و هوش مصنوعی تماماً یکپارچه هستند، پس RFusion می‌تواند در هر محیطی بدون نیاز به تمهیدات خاصی کار کند.

ازآنجایی‌که یافتن کلیدهای گم شده سودمند است، RFusion می‌تواند کاربردهای وسیع‌تری در آینده داشته باشد. مانند مرتب کردن انبوهی از وسایل برای انجام سفارشات در یک انبار، شناسایی و نصب اجزاء در یک کارخانه تولیدی خودرو، یا کمک به افراد سالخورده در انجام وظایف روزانه در منزل. هرچند نمونه اصلی فعلی هنوز کاملاً به‌اندازه کافی برای این‌جور کاربردها سریع نمی‌باشد.

مؤلف ارشد، فادل ادیب (Fadel Adib)، استادیار بخش علوم کامپیوتر و مهندسی برق و مدیرعامل گروه Signal Kinetics در آزمایشگاه رسانه‌های MIT (مؤسس فناوری ماساچوست)، گفت: "ایده توانایی یافتن اشیاء در یک‌دنیای پرهرج‌ومرج یک مشکل آشکاری است که چند سالی است روی آن کار می‌کنیم. داشتن ربات‌هایی که قادرند اشیاء زیر کلی لوازم را جستجو نمایند، یک نیاز روبه‌رشد در صنعت امروز است. درست اکنون که شما می‌توانید به این موضوع به‌عنوان یک Roomba (جاروبرقی رباتیک هوشمند) برای داروهای استروئیدی فکر کنید، ولی در کوتاه‌مدت، این می‌تواند کاربردهای بسیاری در محیط‌های تولیدی و انباری داشته باشد."

همکاران نویسنده شامل تارا بوروشاکی (Tara Boroushaki)، کمک محقق، نویسنده اصلی؛ اسحاق پرپر (Isaac Perper)، دانشجوی فوق‌لیسانس علوم کامپیوتر و مهندسی برق؛ مرگن ناچین (Mergen Nachin) همیار محقق و آلبرتو رودریگویوئز (Alberto Rodriguez)، استادیار کلاس 1957 در بخش مهندسی مکانیک می‌باشند. این تحقیق در ماه آینده در انجمن کنفرانس ماشین‌آلات کامپیوتری (حسابگر) در سامانه حسگر شبکه‌ای توکار ارائه خواهد شد.

ارسال سیگنال‌ها

RFusion با استفاده از آنتنش شروع به جستجوی یک شیء می‌کند که سیگنال‌ها را از برچسب RFID (مانند نور خورشید که از آینه منعکس می‌شود) منعکس می‌کند تا یک منطقه کروی را که برچسب در آن قرار دارد را شناسایی کند. سپس آن منطقه کروی را با ورودی دوربین ترکیب می‌کند تا مکان شیء را محدود کند. برای مثال، شیء نمی‌تواند در منطقه‌ای از میز که خالی است، قرار بگیرد.

اما زمانی که ربات، جایی که شیء قرار دارد را حدس می‌زند، نیاز دارد که بازویش را به طور وسیعی اطراف اتاقی که اندازه‌های بیشتری دارد، حرکت دهد تا بر مکان دقیق چیره شود که آهسته و ناکافی می‌باشد.

محققان از یادگیری تقویتی استفاده کردند تا یک شبکه عصبی را بیاموزند که می‌تواند خط سیر ربات تا شیء را بهینه نماید. در یادگیری تقویتی، الگوریتم از طریق آزمون‌وخطا با یک سیستم پاداش آموزش داده می‌شود.

بوروشاکی (Boroushaki) توضیح می‌دهد: "این نشان می‌دهد که چگونه مغز ما یاد می‌گیرد. ما از محققان خود، والدین خود، از یک بازی کامپیوتری، ... پاداش گرفتیم. همان چیزی که در یادگیری تقویتی انجام می‌شود. ما اجازه می‌دهیم که این عامل، اشتباه کند یا کاردرست را انجام دهد و سپس شبکه را تنبیه کرده یا تشویق می‌کنیم. این نشان می‌دهد که چگونه شبکه چیزی را یاد می‌گیرد که واقعاً مدل‌سازی آن سخت است."

در مورد RFusion ، به الگوریتم بهینه‌سازی زمانی پاداش داده شد که تعداد حرکاتی را محدود کند که مجبور بود انجام دهد تا شیء را پیدا کند و همچنین فاصله‌ای را محدود کند که می‌بایست برود تا آن را بردارد.

زمانی که سیستم نقطه درست دقیق را شناسایی می‌کند، شبکه عصبی از RF ترکیبی و اطلاعات تصویری استفاده می‌کند تا پیش‌بینی نماید که چگونه بازوی رباتیک باید شیء را به چنگ بیاورد که شامل زاویه دست و پهنای چنگک می‌باشد و اینکه آیا باید اشیاء دیگر را ابتدا بردارد یا نه. همچنین برچسب اشیاء را برای آخرین بار اسکن می‌کند تا مطمئن شود که شیء درست را برداشته است.

غلبه بر خرت‌وپرت‌ها (گذر از میان خرت‌وپرت‌ها)

محققان RFusion را در محیط‌های مختلف متعددی تست کردند. آن‌ها دسته‌کلیدها را در یک جعبه پر از خرت‌وپرت دفن کردند و یک ریموت کنترل را هم زیر انبوهی از لوازم و اشیاء در یک کاناپه پنهان نمودند.

اما اگر آن‌ها تمام داده‌های دوربین و اندازه‌گیری‌های RF را برای الگوریتم یادگیری تقویتی تأمین کنند، سیستم را سراسر خواهند پوشاند. پس با طراحی روشی که GPS برای تحکیم داده‌ها از ماهواره‌ها استفاده می‌کند، آن‌ها اندازه‌گیری‌های RF را جمع‌بندی کرده و داده‌های تصویری را به منطقه‌ای درست در جلو ربات محدود می‌کند.

رویکرد آن‌ها خوب کارکرد (RFusion زمانی 96% موفقیت داشت که اشیایی را برگرداند که کاملاً زیر انبوهی از وسایل پنهان بودند).

بوروشاکی (Boroushaki) می‌گوید: "گاهی اگر فقط به معیارهای RFتکیه کنید، در حال طردشدن خواهید بود و اگر متکی به تصویر باشید، گاهی از دوربین اشتباهی سر خواهد زد، اما اگر آن‌ها را ترکیب کنید، همدیگر را تصحیح خواهند کرد. یعنی آنچه که سیستم ساخته این‌قدر قوی است."

در آینده، محققان امیدوارند که سرعت سیستم را طوری افزایش دهند که به‌جای اینکه به طور متناوب توقف کند تا اندازه‌ها را بگیرد، بتواند یکنواخت حرکت کند. این موضوع RFusion را قادر خواهد کرد تا در یک محیط انباری یا تولیدی پرشتاب مستقر گردد و گسترش یابد.

بوروشاکی (Boroushaki) می‌گوید که ماورای استفاده‌های صنعتی بالقوه، سیستمی مانند این می‌تواند حتی با خانه‌های هوشمند آینده یکی شود تا به افراد دارای وظایف متعدد خانه‌داری کمک کند.

متیو س. رینولد (Matthew S. Reynolds)، عضو انجمن ابداعات CoMotion و استادیار مهندسی کامپیوتر و برق در دانشگاه واشینگتن که در این تحقیق هیچ دخالتی نداشته است، می‌گوید: "هرساله، میلیاردها برچسب برای شناسایی زنجیره‌های عرضه پیچیده امروز شامل لباس و بسیاری از کالاهای مصرفی دیگر استفاده می‌شود. رویکرد RFusion به روش ربات‌های خودگردانی اشاره می‌کند که می‌توانند انبوهی از اشیاء مخلوط را کشف کنند و آن‌ها را با استفاده از داده‌های ذخیره شده در برچسب‌های RFID مرتب نمایند که خیلی بیشتر از بررسی تکی هر شیء بازدهی دارد، مخصوصاً وقتی که اشیاء شبیه به سیستم تصویری کامپیوتری باشند. رویکرد RFusion گام بزرگی در عملیات رباتیک در زنجیره‌های عرضه پیچیده‌ای است که شناسایی و برداشتن اشیاء به طور صحیح و سریع، هم کلید رسیدن به سفارشاتی است که به‌موقع انجام شده و هم کلید خوشحال نگه‌داشتن مشتریان تقاضاکننده می‌باشد."

این تحقیق تحت حمایت بنیاد ملی علوم، فلوشیپ تحقیقات اسلوان (Sloan)، NTT DATA، Toppan، Toppan Forms و آزمایشگاه سیستم‌های آب و غذای عبداللطیف جمیل (Abdul Latif Jameel)، می‌باشد.

ویدئو در سیستم RFusion: https://www.youtube.com/watch?v=iqehzw_aLc0&t=4s

منبع موضوع:

مواد و موضوعات توسط مؤسسه فناوری ماساچوست (Massachusetts Institute of Technology) تهیه شدند. مطلب اصلی توسط آدام زیوی (Adam Zewe) نوشته شده است.

نکته: محتوا ممکن است از نظر سبک نگارشی و طول مطلب، ویرایش شده باشد.