رباتی که اشیا گمشده را پیدا می‌کند!

رباتی که اشیا گمشده را پیدا می‌کند!

رباتی که اشیا گمشده را پیدا می‌کند!

فرض کنید که می‌خواهید به مسافرت بروید. هنگامی که از در خارج می‌شوید، به خاطرعجله زیاد و مشغله‌های ذهنی بسیاری که دارید، در یک لحظه متوجه می‌شوید که کلیدهایتان را گم کرده‌اید. حالا باید با این وقت کم دنبال وسیله گمشده خود، تمام خانه و وسایل را بگردید تا بلکه پیدایش کنید! در آن لحظه آرزو می‌کنید که کاش می‌توانستید هنگام گشتن درمیان این همه وسایل، خیلی سریع کلید گمشده خود را پیدا کنید.

بازوی رباتیک هوشمند، رباتی که گمشده‌ها را پیدا ‌می‌کند!

محققان دانشگاه MIT، یک سیستم رباتیک ساخته‌اند که دقیقا می‌تواند همین کار را برایتان انجام دهد. این سیستم، یک بازوی رباتیک هوشمند است که توانایی پیدا کردن وسایل گمشده را دارد. سیستم بازوی رباتیک مذکور، RFusion، دارای دوربین و همچنین آنتن فرکانس رادیویی (RF) می‌باشد که به مچ این ربات متصل گردیده است. این سیستم، سیگنال‌های آنتن را با ورودی بصری دوربین ترکیب می‌کند تا این ربات بتواند وسیله مورد نظر را بیابد، حتی اگر وسیله گمشده مورد نظر زیر انبوهی از وسایل بوده و اصلا قابل دیدن نباشد.

نمونه اولیه RFusion که محققان توسعه دادند، مبنی بر تراشه‌های RFID است که تراشه‌هایی ارزان قیمت و بدون باتری هستند که می‌توان آن را به یک وسیله چسباند تا سیگنال‌های ارسال شده از آنتن را منعکس کنند. از آنجایی که سیگنال‌های RF می‌توانند از بیشتر سطوح عبور کنند. (مانند انبوهی از لباس‌های کثیف که ممکن است کلیدها درمیان این لباس‌ها گمشده باشد). RFusion می‌تواند یک شی گمشده را که تراشه RFID هم به آن چسبانده شده است، در بین تعداد زیادی از وسایل پیدا کند.

با استفاده از علم یادگیری ماشین (machine learning)، بازوی رباتیک به طور اتوماتیک مکان دقیق جسم را هدف قرار می‌دهد، اشیایی که روی جسم موردنظر قرار دارد، کنار زده و آن را برمی‌دارد. بعد از یافتن و برداشتن جسم مورد نظر، تایید می‌کند که آن را درست پیدا کرده است. دوربین، آنتن، بازوی رباتیک و هوش مصنوعی کاملاً یکپارچه هستند، بنابراین RFusion می‌تواند در هر محیطی بدون نیاز به تنظیمات خاصی کار کند.

کاربردهای این بازوی رباتیک در آینده

می‌دانیم که یافتن وسایل گمشده بسیار مفید است، اما این سوال به وجود می‌آید که آیا این ربات کاربرد دیگری هم دارد؟ پاسخ مثبت است. سیستم رباتیک RFusion می‌تواند کاربردهای گسترده‌تری در آینده نزدیک داشته باشد، مانند مرتب‌سازی در میان انبوه‌ها وسایل در انبار برای انجام سفارشات، شناسایی و نصب قطعات در یک کارخانه خودروسازی، یا کمک به یک فرد مسن در انجام کارهای روزانه در خانه. اگرچه نمونه اولیه فعلی این بازوی رباتیک برای اینگونه کاربردها به اندازه کافی سریع نیست.

فاضل ادیب، نویسنده ارشد، دانشیار گروه مهندسی برق و علوم کامپیوتر و مدیر گروه سینتیک سیگنال در آزمایشگاه رسانه MIT بیان کرد:« ایده ساخت ربات برای یافتن اقلام گمشده در یک دنیای پر از هرج و مرج، مسئله‌ای است که ما چندین سال روی آن کار کرده‌ایم. داشتن ربات‌هایی که توانایی یافتن یک شی گمشده را در میان انبوهی از وسایل داشته باشند، نیازی روزافزون در صنعت امروز است. در حال حاضر، شما می‌توانید این ربات را تا حد زیادی، به عنوان یک Roomba (رومبا مجموعه‌ای از جاروبرقی‌های رباتیک مستقل است که توسط iRobot فروخته می‌شود) در نظر بگیرید، اما در کوتاه مدت، این بازوی هوشمند می‌تواند کاربردهای زیادی در تولیدی‌ها و انبارها داشته باشد.»

نحوه یافتن شی با ارسال سیگنال‌ها

RFusion شروع به جستجوی یک شی با استفاده از آنتن خود می‌کند، که تراشه RFID سیگنال‌های ارسال شده از آنتن را به منظور شناسایی ناحیه‌ای که این تراشه در آنجا قرار دارد، منعکس می‌کند. (مانند انعکاس نور خورشید از یک آینه). حال این ناحیه را با ورودی دوربین تنظیم می‌کند که موقعیت جسم را محدود ‌کند.

اما هنگامی که ربات یک ایده کلی از مکان مورد نظر داشته باشد، باید بازوی خود را به طور گسترده‌ای در اطراف اتاق بچرخاند و اندازه گیری‌های بیشتری را انجام دهد تا مکان دقیق جسم را پیدا کند، که این کار بسیار کند و ناکارآمد است.

تارا بروشاکی، دستیار پژوهشی، نویسنده اصلی و از محققان این ایده می‌گوید:«محققان از یادگیری تقویتی برای سلسله شبکه عصبی استفاده کردند که می‌تواند مسیر رسیدن ربات به سمت جسم را بهینه کند. در یادگیری تقویتی، الگوریتم از طریق آزمون و خطا با یک سیستم پاداش آموزش داده می‌شود. مغز ما نیز از این طریق یاد می‌گیرد. ما از معلمانمان، از والدینمان، از یک بازی رایانه‌ای و غیره پاداش می‌گیریم. همین اتفاق در یادگیری تقویتی نیز می‌افتد. ما به عامل اجازه می‌دهیم اشتباه کند یا کاری را درست انجام دهد. سپس شبکه را تنبیه می‌کنیم یا به آن پاداش می‌دهیم. اینگونه است که شبکه چیزی را که مدل‌سازی آن برایش واقعاً سخت است، می‌آموزد.»

RFusion، زمانی پاداش می‌گیرد که الگوریتم بهینه‌سازی برای یافتن وسیله گمشده، تعداد حرکاتی را که باید این بازوی رباتیک برای متمرکز شدن برروی وسیله مفقود انجام دهد و مسافتی را که باید برای برداشتن آن طی کند، محدود نماید.

هنگامی که سیستم دقیقاً نقطه درست را شناسایی می‌کند، شبکه عصبی از فرکانس رادیویی یا RF ترکیبی و اطلاعات بصری استفاده می‌کند تا پیش‌بینی کند که بازوی رباتیک چگونه باید جسم را بگیرد. (درواقع باید اطلاعاتی از جمله زاویه دست و عرض مچ بازو را اندازه‌گیری نماید) و اینکه آیا نیاز است که ابتدا اشیا دیگر را حذف کند یا خیر؟ همچنین تراشه، جسم مورد نظر را برای آخرین بار اسکن می‌نماید تا مطمئن شود جسمی که انتخاب کرده است، همان جسم گمشده است.

از بین بردن هرج‌ومرج

محققان ربات RFusion را در چندین محیط مختلف آزمایش کردند. آن‌ها یک جاکلیدی را در جعبه‌ای پر از زباله پنهان کردند و همچنین یک کنترل از راه دور را نیز زیر انبوهی از وسایل روی یک مبل پنهان نمودند. اما اگر تمام داده‌های دوربین و اندازه‌گیری‌های RF را با الگوریتم یادگیری تقویتی، تغذیه می‌کردند، سیستم را تحت تاثیر قرار می‌داد. بنابراین، با استفاده از روشی که GPS برای یکپارچه‌سازی داده‌های ماهواره‌ها استفاده می‌کند، اندازه‌گیری‌های RF و داده‌های بصری را در مقابل ربات محدود کردند.

رویکرد آن‌ها به خوبی جواب داد. RFusion در هنگام بازیابی اشیایی که به طور کامل در زیر انبوهی از وسایل پنهان شده بودند، 96 درصد موفقیت داشت.

بروشاکی می‌گوید:«گاهی اوقات، اگر فقط به اندازه‌گیری‌های RF اعتماد کنید، یک چیز دور از ذهن وجود خواهد داشت. و اگر تنها به داده‌های بصری اعتماد کنید، گاهی اوقات اشتباهی از جانب دوربین رخ خواهد داد. اما اگر آن‌ها را با هم ترکیب کنید، یکدیگر را اصلاح خواهند کرد. این همان چیزی است که سیستم بازوی رباتیک هوشمند را بسیار قوی کرده است.»

چالش‌ها و آینده بازوی رباتیک RFusion

در آینده، محققان امیدوارند که بتوانند سرعت این سیستم را افزایش دهند تا بتواند به‌طور یکنواخت حرکت کند، نه اینکه به‌طور دوره‌ای برای اندازه‌گیری متوقف شود. این امر RFusion را قادر می‌سازد تا در محیط تولید یا انبار، خیلی سریع به کار گرفته شود.

بروشاکی می‌گوید:«فراتر از کاربردهای صنعتی بالقوه‌اش، سیستمی مانند سیستم مذکور، حتی می‌تواند در خانه‌های هوشمند آینده نیز گنجانده شود تا به افراد در هر یک از کارهای خانه کمک کند.»

متیو اس. رینولدز، همکار نوآوری ریاست جمهوری CoMotion و دانشیار مهندسی برق و کامپیوتر در دانشگاه واشنگتن، که در این تحقیق دخالتی نداشت، می گوید:« هر ساله، میلیاردها تراشه RFID برای شناسایی اشیاء در زنجیره تامین پیچیده امروزی، از جمله لباس و بسیاری از کالاهای مصرفی دیگر استفاده می‌شود. رویکرد RFusion راه را به ربات‌های مستقلی نشان می‌دهد که می‌توانند انبوهی از اقلام بهم ریخته را کاوش کنند و با استفاده از داده‌های ذخیره‌شده در تراشه RFID، آن‌ها را مرتب کنند که بسیار کارآمدتر از بازرسی هر یک از اقلام به‌طور جداگانه (مانند سیستم بینایی کامپیوتری) است، به خصوص زمانی که اقلام شبیه به یک سیستم بینایی کامپیوتری هستند. رویکرد RFusion یک گام بزرگ رو به جلو برای علم رباتیک است که در زنجیره‌های تامین پیچیده، عمل می‌کند، جایی که شناسایی و «انتخاب» سریع و دقیق کالای درست، کلید رسیدن به موقع سفارش‌ها و راضی نگه‌داشتن مشتریان مطالبه‌گر است.»

این تحقیق توسط بنیاد ملی علوم، انجمن تحقیقاتی اسلون، NTT DATA، Toppan، Toppan Forms و آزمایشگاه سیستم‌های آب و غذای عبداللطیف جمیل حمایت می‌شود.



مطالب زیر را حتما مطالعه کنید


نظرات


برای ثبت نظر وارد وبسایت شوید

ما را در اینستاگرام دنبال کنید @RobaticSchool