机器人挖掘，在桩子下找东西

麻省理工学院的研究人员发明了一种名为RFusion的机器人系统，这是一种机械臂，它的抓手上装有摄像头和射频天线。它将天线信号与摄像头的视觉输入融合在一起，定位并取回物品，即使物品被埋在一堆东西下面，完全看不见。

研究人员开发的RFusion原型依赖于RFID标签，这是一种廉价的、无需电池的标签，可以贴在物品上，并反射天线发送的信号。因为射频信号可以穿过大多数物体表面(就像脏衣服堆一样，可能会遮住钥匙)，RFusion能够在一堆物体中定位一个带标签的物品。

利用机器学习，机械臂自动锁定物体的确切位置，移动物体上的物品，抓住物体，并验证它捡到了正确的东西。摄像头、天线、机械臂和人工智能完全集成在一起，因此RFusion可以在任何环境下工作，而不需要特殊设置。

虽然寻找丢失的钥匙很有帮助，但RFusion在未来可能会有更广泛的应用，比如在仓库中分类以完成订单，在汽车制造厂中识别和安装组件，或者帮助老年人在家中完成日常任务，尽管目前的原型机还不够快，无法实现这些用途。

“能够在一个混乱的世界中找到物品是一个开放的问题，我们已经研究了几年。拥有能够在一堆东西下搜索的机器人是当今工业日益增长的需求。现在，你可以把它想象成类固醇上的Roomba，但在短期内，它可能会在制造和仓库环境中有很多应用，”高级作者Fadel Adib说，他是电气工程和计算机科学系副教授，也是麻省理工学院媒体实验室信号动力学组主任。

合著者包括研究助理Tara Boroushaki，第一作者;电气工程和计算机科学研究生Isaac Perper;研究助理Mergen Nachin;以及1957届机械工程系副教授阿尔贝托·罗德里格斯。这项研究将在下个月的嵌入式网络传感器系统计算机协会会议上发表。

发送信号

RFusion开始使用它的天线搜索一个物体，天线从RFID标签上反射信号(就像阳光从镜子上反射)，以识别标签所在的球形区域。它将球体与摄像机输入相结合，从而缩小物体的位置。例如，项目不能位于表的空区域上。

一旦机器人大致知道了物品的位置，它就需要在房间里广泛摆动手臂，进行额外的测量，以得出准确的位置，这是缓慢和低效的。

研究人员使用强化学习来训练一个神经网络，该网络可以优化机器人到达目标的轨迹。在强化学习中，算法通过奖励系统的试错来训练。

“这也是我们大脑学习的方式。我们从老师、父母、电脑游戏等那里得到奖励。同样的事情也发生在强化学习中。我们让代理犯错误或做正确的事情，然后我们惩罚或奖励网络。这就是神经网络学习一些很难建模的东西的方式，”Boroushaki说。

以RFusion为例，当优化算法限制了本地化物品所需的移动次数和拾取物品所需的距离时，它就会获得奖励。

一旦系统识别出准确的位置，神经网络就会结合射频和视觉信息来预测机械臂应该如何抓取物体，包括手的角度和夹握器的宽度，以及是否必须首先移除其他物品。它还会最后一次扫描物品的标签，以确保它选择了正确的对象。

从杂乱中切割

研究人员在几个不同的环境中测试了RFusion。他们把钥匙链埋在一个堆满杂物的盒子里，把遥控器藏在沙发上的一堆东西下面。

但如果他们把所有的摄像头数据和射频测量数据都输入到强化学习算法中，系统就会不堪重负。因此，利用GPS用于整合卫星数据的方法，他们总结了射频测量数据，并将视觉数据限制在机器人正前方的区域。

他们的方法很有效——RFusion在检索完全隐藏在一堆物体下的物体时有96%的成功率。

“有时候，如果你只依赖射频测量，就会有一个异常值，如果你只依赖视觉，有时就会有来自相机的错误。但是如果你把它们结合起来，它们就会互相校正。这就是这个系统如此强大的原因，”Boroushaki说。

在未来，研究人员希望提高系统的速度，这样它就可以平稳地移动，而不是定期停下来进行测量。这将使RFusion能够部署在快节奏的制造或仓库环境中。

Boroushaki说，除了潜在的工业用途外，这样的系统甚至可以被整合到未来的智能家居中，帮助人们完成任何数量的家务。

“在当今复杂的供应链中，每年都有数十亿个RFID标签被用于识别物品，包括服装和许多其他消费品。RFusion方法为自主机器人指出了一条道路，它可以在一堆混合物品中挖掘，并使用RFID标签中存储的数据将它们分类，比单独检查每一件物品要有效得多，特别是当这些物品看起来类似于计算机视觉系统时，”CoMotion总裁创新研究员、华盛顿大学电气与计算机工程副教授马修·s·雷诺兹(Matthew S. Reynolds)说，他没有参与这项研究。“RFusion的方法对于在复杂供应链中运行的机器人来说是向前迈出的一大步，在复杂供应链中，快速准确地识别和‘挑选’正确的商品是按时完成订单并让苛刻的客户满意的关键。”

-由Chris Vavra编辑，网页内容经理，控制工程， CFE媒体与技术，cvavra@cfemedia.com．

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。