Bagi manusia, menemukan dompet yang hilang terkubur di bawah tumpukan barang cukup mudah -- kita cukup mengeluarkan barang dari tumpukan sampai kita menemukan dompetnya. Tetapi untuk robot, tugas ini melibatkan penalaran kompleks tentang tumpukan dan objek di dalamnya, yang menghadirkan tantangan yang curam.
Peneliti MIT sebelumnya mendemonstrasikan lengan robot yang menggabungkan informasi visual dan sinyal frekuensi radio (RF) untuk menemukan objek tersembunyi yang ditandai dengan tag RFID (yang mencerminkan sinyal yang dikirim oleh antena). Membangun dari pekerjaan itu, mereka sekarang telah mengembangkan sistem baru yang dapat secara efisien mengambil objek apa pun yang terkubur dalam tumpukan. Selama beberapa item dalam tumpukan memiliki tag RFID, item target tidak perlu diberi tag agar sistem dapat memulihkannya.
Algoritme di balik sistem, yang dikenal sebagai FuseBot, menjelaskan tentang kemungkinan lokasi dan orientasi objek di bawah tumpukan. Kemudian FuseBot menemukan cara paling efisien untuk menghilangkan objek yang menghalangi dan mengekstrak item target. Alasan ini memungkinkan FuseBot untuk menemukan lebih banyak item tersembunyi daripada sistem robotik canggih, dalam separuh waktu.
Kecepatan ini bisa sangat berguna di gudang e-commerce. Robot yang bertugas memproses pengembalian dapat menemukan item dalam tumpukan yang tidak disortir secara lebih efisien dengan sistem FuseBot, kata penulis senior Fadel Adib, profesor di Departemen Teknik Elektro dan Ilmu Komputer dan direktur grup Signal Kinetics di Media Lab.
"Apa yang ditunjukkan oleh makalah ini, untuk pertama kalinya, adalah bahwa keberadaan item bertanda RFID di lingkungan membuat Anda lebih mudah untuk menyelesaikan tugas lain dengan cara yang lebih efisien. Kami dapat melakukan ini karena kami menambahkan penalaran multimodal ke sistem -- FuseBot dapat bernalar tentang visi dan RF untuk memahami tumpukan item," tambah Adib.
Bergabung dengan Adib di atas kertas adalah asisten peneliti Tara Boroushaki, yang merupakan penulis utama; Laura Dodds; dan Nazish Naeem. Penelitian ini akan dipresentasikan pada konferensi Robotika: Sains dan Sistem.
Tag penargetan
Sebuah laporan pasar baru-baru ini menunjukkan bahwa lebih dari 90 persen pengecer AS sekarang menggunakan tag RFID, tetapi teknologinya tidak universal, yang mengarah ke situasi di mana hanya beberapa objek di dalam tumpukan yang ditandai.
Masalah ini mengilhami penelitian kelompok.
Dengan FuseBot, lengan robot menggunakan kamera video terpasang dan antena RF untuk mengambil item target yang tidak ditandai dari tumpukan campuran. Sistem memindai tumpukan dengan kameranya untuk membuat model lingkungan 3D. Secara bersamaan, ia mengirimkan sinyal dari antenanya untuk menemukan tag RFID. Gelombang radio ini dapat melewati sebagian besar permukaan padat, sehingga robot dapat "melihat" jauh ke dalam tumpukan. Karena item target tidak diberi tag, FuseBot mengetahui bahwa item tersebut tidak dapat ditemukan di tempat yang sama persis dengan tag RFID.
Algoritme menggabungkan informasi ini untuk memperbarui model 3D lingkungan dan menyoroti lokasi potensial dari item target; robot tahu ukuran dan bentuknya. Kemudian sistem beralasan tentang objek di tumpukan dan lokasi tag RFID untuk menentukan item mana yang harus dihapus, dengan tujuan menemukan item target dengan gerakan paling sedikit.
Sangat sulit untuk memasukkan alasan ini ke dalam sistem, kata Boroushaki.
Robot tidak yakin bagaimana objek diorientasikan di bawah tumpukan, atau bagaimana benda yang licin dapat berubah bentuk oleh benda yang lebih berat yang menekannya. Ini mengatasi tantangan ini dengan penalaran probabilistik, menggunakan apa yang diketahuinya tentang ukuran dan bentuk suatu objek dan lokasi tag RFIDnya untuk memodelkan ruang 3D yang kemungkinan akan ditempati objek tersebut.
Saat menghapus item, ia juga menggunakan penalaran untuk memutuskan item mana yang "terbaik" untuk dihapus berikutnya.
"Jika saya memberi manusia setumpuk item untuk dicari, mereka kemungkinan besar akan menghapus item terbesar terlebih dahulu untuk melihat apa yang ada di bawahnya. Apa yang dilakukan robot serupa, tetapi juga menggabungkan informasi RFID untuk membuat keputusan yang lebih tepat. bertanya, 'Berapa banyak lagi yang akan ia pahami tentang tumpukan ini jika ia menghilangkan benda ini dari permukaan?'" kata Boroushaki.
Setelah menghapus objek, robot memindai tumpukan lagi dan menggunakan informasi baru untuk mengoptimalkan strateginya.
Hasil pencarian
Alasan ini, serta penggunaan sinyal RF, memberi FuseBot keunggulan atas sistem canggih yang hanya menggunakan penglihatan. Tim menjalankan lebih dari 180 percobaan eksperimental menggunakan lengan dan tumpukan robot nyata dengan barang-barang rumah tangga, seperti perlengkapan kantor, boneka binatang, dan pakaian. Mereka memvariasikan ukuran tumpukan dan jumlah item yang diberi tag RFID di setiap tumpukan.
FuseBot berhasil mengekstrak item target 95 persen dari waktu, dibandingkan dengan 84 persen untuk sistem robot lainnya. Ini menyelesaikan ini dengan menggunakan gerakan 40 persen lebih sedikit, dan mampu menemukan dan mengambil item yang ditargetkan lebih dari dua kali lebih cepat.
"Kami melihat peningkatan besar dalam tingkat keberhasilan dengan memasukkan informasi RF ini. Menarik juga melihat bahwa kami dapat menyamai kinerja sistem kami sebelumnya, dan melampauinya dalam skenario di mana item target tidak memiliki RFID tag," kata Dodds.
FuseBot dapat diterapkan dalam berbagai pengaturan karena perangkat lunak yang melakukan penalaran kompleksnya dapat diimplementasikan di komputer mana pun -- hanya perlu berkomunikasi dengan lengan robot yang memiliki kamera dan antena, tambah Boroushaki.
Dalam waktu dekat, para peneliti berencana untuk memasukkan model yang lebih kompleks ke dalam FuseBot sehingga berkinerja lebih baik pada objek yang dapat dideformasi. Di luar itu, mereka tertarik untuk mengeksplorasi berbagai manipulasi, seperti lengan robot yang mendorong barang keluar. Iterasi sistem di masa depan juga dapat digunakan dengan robot seluler yang mencari beberapa tumpukan untuk objek yang hilang.
Pekerjaan ini sebagian didanai oleh National Science Foundation, Sloan Research Fellowship, NTT DATA, Toppan, Toppan Forms, dan MIT Media Lab.