(articolo redatto da Pierluca Pierro e Domenico Di Mieri)
Avete mai sentito parlare del cosiddetto ago nel pagliaio e di come sia difficile trovarlo? O, nel caso in cui siate in ritardo, come è difficile recuperare le chiavi nascoste in mezzo a cataste di altri oggetti? Bene, i ricercatori del MIT hanno ideato un robot che riesce a risolvere questi annosi problemi con un sistema innovativo.
Il sistema robotico R-Fusion
RFusion, è un braccio robotico che termina con una pinza a cui sono attaccati una telecamera e un’antenna a radiofrequenza (RF).
Le due tecnologie (RF e visiva) permettono di recuperare un oggetto, anche se l’oggetto è sepolto sotto una pila di altri oggetti e completamente fuori dalla vista.
Il prototipo RFusion sviluppato dai ricercatori si basa sui tag RFID, che sono tag economici e senza batteria che possono essere associati a un oggetto e che si alimentano attraverso il campo elettromagnetico generato da un’antenna.
Poiché i segnali RF possono viaggiare attraverso la maggior parte delle superfici (tipicamente non metalliche come carta, legno e plastica), RFusion è in grado di individuare un articolo etichettato con un RFID anche sotto un cumulo di giornali o nascosto nelle pieghe di un divano.
Attraverso tecniche di autoapprendimento, il braccio robotico si concentra automaticamente sulla posizione esatta dell’oggetto, sposta gli oggetti che lo nascondono, ed una volta che lo ha recuperato, verifica che quello trovato sia esattamente l’oggetto ricercato.
La fotocamera, l’antenna, il braccio robotico e l’intelligenza artificiale combinati insieme, permettono a RFusion di funzionare in qualsiasi ambiente senza richiedere una configurazione speciale.
Le applicazioni possibili della ricerca
Anche se trovare le chiavi perse è utile, RFusion potrebbe essere utilizzato, in futuro, in altre applicazioni: ad esempio il riordino di cataste di documenti per evadere gli ordini in un magazzino; l’identificazione e l’installazione di componenti in un impianto di produzione di automobili; il supporto ad una persona anziana nello svolgimento delle attività quotidiane in casa.
Fadel Adib, professore associato presso il Dipartimento di Ingegneria Elettrica e Informatica e direttore del gruppo Signal Kinetics nel MIT Media Lab, ha affermato:
“L’idea di poter trovare oggetti in mezzo a tanti è un problema aperto su cui stiamo lavorando da alcuni anni. Avere robot in grado di cercare oggetti nascosti è un’esigenza crescente nell’industria di oggi. In questo momento, si può immaginare ad un Roomba (robot aspirapolvere) iper-evoluto, ma nel breve termine potrebbe avere molte applicazioni negli ambienti di produzione e di magazzino“
Oltre al direttore Fadel Adib al paper di ricerca hanno contribuito l’assistente di ricerca Tara Boroushaki, lo studente laureato in ingegneria informatica Isaac Perper, l’associato di ricerca Mergen Nachin e Alberto Rodriguez, professore associato presso il Dipartimento di Ingegneria Meccanica.
La ricerca sarà presentata questo mese alla conferenza dell’Association for Computing Machinery sugli Embedded Networked Senior Systems.
Come funziona il robot
RFusion inizia a cercare un oggetto sfruttando la sua antenna, che alimentando il tag RFid passivo presente sull’oggetto da recuperare crea un campo elettromagnetico sferico che individua sommariamente la zona in cui si trova l’oggetto.
Muovendo il braccio robotico all’interno della stessa area, è possibile restringere ulteriormente la potenziale zona dove potrebbe trovarsi l’oggetto generando ulteriori campi elettromagnetici e calcolando le zone di intersezione delle sfere. A partire dall’area individuata dalla sfera (o dalle intersezione delle sfere), è possibile restringere la posizione dell’oggetto utilizzando il visore della telecamera.
Se si utilizzasse la sola telecamera, la visione dovrebbe coprire l’intera area individuata attraverso radiofrequenza, ma, oltre al tempo consistente da utilizzare per la ricerca, ci sarebbero delle difficoltà nello scorgere l’oggetto poiché lo stesso potrebbe essere coperto da altri. Sfruttando anche il campo elettromagnetico generato dal tag RFID è invece possibile in maniera rapida individuare una porzione di zona in cui potrebbe essere presente l’oggetto e su quella area restringere le indagini.
I ricercati del MIT sono andati oltre rispetto all’utilizzo combinato delle due metodiche, utilizzando anche
una rete neurale addestrata, in modo tale da minimizzare i movimenti del robot.
Il reinforcement learning
Utilizzando tecniche di reinforcement learning, l’algoritmo viene addestrato attraverso tentativi ed errori con un sistema di ricompensa: ogni azione corretta dell’agente viene ricompensata con un valore (premio) cosiddetto di “rinforzo” all’azione allo scopo di “incoraggiare” comportamenti corretti dell’agente. l’assistente di ricerca Tara Boroushaki.
“Il Reinforcement Learning è lo stesso meccanismo con cui il nostro cervello impara. Veniamo ricompensati dai nostri insegnanti, dai nostri genitori, da un gioco per computer, ecc. La stessa cosa accade nel Reinforcement Learning. Lasciamo che l’agente commetta errori o faccia qualcosa di giusto e poi puniamo o premiamo la rete. È così che la rete impara qualcosa che è difficile da modellare.“
Nel caso di RFusion, l’algoritmo di ottimizzazione è stato premiato quando ha limitato il numero di mosse compiute per localizzare l’oggetto e la distanza che doveva percorrere per raccoglierlo.
Nella figura viene illustrato il processo di individuazione delle posizioni:
- Nella prima fase (foto 1) vengono individuati potenziali punti in cui potrebbe essere presente l’oggetto attraverso indagine visiva (tramite telecamera) e di radiofrequenza ( antenna RFID)
- Attraverso N iterazioni (movimenti del braccio), il sistema di Reinforcement Learning restringe le posizioni candidate (contrassegnate in rosso nella figura 2)
Una volta che il sistema identifica il punto esatto, la rete neurale utilizza la combinazione delle informazioni visive e di radiofrequenza per prevedere come il braccio robotico debba afferrare l’oggetto, incluso l’angolo della mano e la larghezza della pinza, e se deve rimuovere prima altri oggetti. Scansiona anche il tag dell’oggetto un’ultima volta per assicurarsi che abbia raccolto l’oggetto giusto.
I test di ricerca
I ricercatori hanno testato RFusion in diversi ambienti. Hanno seppellito un portachiavi in una scatola piena di oggetti e hanno nascosto un telecomando sotto altri oggetti su un divano.
RFusion ha avuto una percentuale di successo del 96% per il recupero di oggetti completamente nascosti sotto altri.
L’algoritmo di Reinforcement Learning si è dimostrato affidabile grazie all’utilizzo combinato delle diverse tecnologie.
Bouroushaki afferma: “Se ci si affida solo alle misurazioni RF, si potrebbe misurare un valore anomalo (dato da eventuali interferenze o da instabilità del segnale RF), ma se ci si affida alla sola visione, si potrebbe incorrere in un errore dalla fotocamera. Combinate insieme, le due tecnologie si correggono l’un l’altra. Questo è ciò che ha reso il sistema così robusto.”
Miglioramenti e usi futuri
In futuro, i ricercatori sperano di aumentare l’efficienza del sistema in modo tale che il robot possa muoversi rapidamente e senza fermarsi periodicamente per effettuare misurazioni. Ciò consentirebbe a RFusion di essere implementato in un ambiente di produzione o magazzino ad alta movimentazione.
Al di là dei suoi potenziali usi industriali, un sistema come questo potrebbe anche essere incorporato nelle future smart-home per l’assolvimento di compiti domestici.
“Ogni anno, miliardi di tag RFID vengono utilizzati per identificare gli oggetti nelle complesse catene di approvvigionamento, incluse abbigliamento e molti altri beni di consumo. L’approccio RFusion indica la strada verso robot autonomi in grado di scavare tra oggetti misti e ordinarli, utilizzando i dati memorizzati nei tag RFID, in modo molto più efficiente rispetto al dover ispezionare ogni articolo singolarmente, soprattutto quando gli articoli sembrano simili per un sistema di visione artificiale“, afferma Matthew S. Reynolds professore associato di Electrical and Computer Engineering presso l’Università di Washington.
Conclusioni
L’approccio RFusion è un grande passo avanti per la robotica che opera in catene di approvvigionamento complesse in cui è necessario identificare e “prelevare” l’articolo giusto in modo rapido e accurato. Esso rappresenta la chiave per evadere gli ordini in tempo e soddisfare i clienti esigenti.
Se anche tu vuoi essere parte dei progetti di sviluppo in Nexsoft
che si interessano alla gestione della logistica di magazzino,
dai un’occhiata alle nostre opportunità di lavoro e conosciamoci subito!
