Nyt robotsystem kunne give en hånd med lagersortering og andre plukke- eller rydningsopgaver

Udpakning af dagligvarer er en ligetil om end kedelig opgave:Du rækker ind i en taske, føl efter en vare, og trække den ud. Et hurtigt blik vil fortælle dig, hvad varen er, og hvor den skal opbevares.

Nu har ingeniører fra MIT og Princeton University udviklet et robotsystem, som måske en dag kan hjælpe med denne huslige pligt, samt assistere ved andre plukke- og sorteringsopgaver, fra at organisere produkter på et lager til at rydde affald fra en katastrofezone.

Holdets "pick-and-place"-system består af en standard industriel robotarm, som forskerne udstyrede med en tilpasset griber og sugekop. De udviklede en "objekt-agnostisk" gribealgoritme, der gør det muligt for robotten at vurdere en beholder med tilfældige objekter og bestemme den bedste måde at gribe eller suge på en genstand midt i rodet, uden at skulle vide noget om genstanden, før du samler den op.

Når den har grebet en vare, robotten løfter den ud af skraldespanden. Et sæt kameraer tager derefter billeder af objektet fra forskellige vinkler, og ved hjælp af en ny billedtilpasningsalgoritme kan robotten sammenligne billederne af det udvalgte objekt med et bibliotek af andre billeder for at finde det tætteste match. På denne måde robotten identificerer objektet, gemmer det derefter i en separat skraldespand.

Generelt, robotten følger en "greb-først-så-genkend"-arbejdsgang, hvilket viser sig at være en effektiv sekvens sammenlignet med andre pick-and-place teknologier.

"Dette kan anvendes til lagersortering, men kan også bruges til at plukke ting fra dit køkkenskab eller rydde affald efter en ulykke. Der er mange situationer, hvor plukketeknologier kan have en indflydelse, " siger Alberto Rodriguez, Walter Henry Gale karriereudviklingsprofessor i maskinteknik ved MIT.

Rodriguez og hans kolleger ved MIT og Princeton vil præsentere et papir, der beskriver deres system på IEEE International Conference on Robotics and Automation, i maj.

Opbygning af et bibliotek af succeser og fiaskoer

Mens pick-and-place-teknologier kan have mange anvendelser, eksisterende systemer er typisk designet til kun at fungere i stramt kontrollerede miljøer.

I dag, de fleste industrielle plukkerobotter er designet til en bestemt, gentagne opgaver, såsom at gribe en bildeel fra et samlebånd, altid i det samme, omhyggeligt kalibreret orientering. Imidlertid, Rodriguez arbejder på at designe robotter som mere fleksible, tilpasningsdygtig, og intelligente plukkere, til ustrukturerede indstillinger såsom detailvarehuse, hvor en plukker konsekvent støder på og skal sortere hundreder, hvis ikke tusindvis af nye genstande hver dag, ofte midt i tæt rod.

Teamets design er baseret på to generelle operationer:plukning – handlingen med at gribe et objekt med succes, og perception – evnen til at genkende og klassificere et objekt, en gang grebet.

Forskerne trænede robotarmen til at plukke nye genstande ud fra en rodet skraldespand, ved at bruge en af ​​fire vigtigste gribeadfærder:sugning på en genstand, enten lodret, eller fra siden; at gribe objektet lodret som kloen i et arkadespil; eller, for genstande, der ligger fladt op ad en væg, griber lodret, Brug derefter en fleksibel spatel til at glide mellem objektet og væggen.

Rodriguez og hans team viste robotbilleder af skraldespande fyldt med genstande, fanget fra robottens udsigtspunkt. De viste så robotten, hvilke genstande der kunne gribes, med hvilken af ​​de fire vigtigste gribeadfærd, og som ikke var, markere hvert eksempel som en succes eller fiasko. De gjorde dette for hundredvis af eksempler, og over tid, forskerne opbyggede et bibliotek af udvalgte succeser og fiaskoer. De inkorporerede derefter dette bibliotek i et "dybt neuralt netværk" - en klasse af læringsalgoritmer, der gør robotten i stand til at matche det aktuelle problem, den står over for, med et vellykket resultat fra fortiden, baseret på dets bibliotek af succeser og fiaskoer.

"Vi udviklede et system, hvor bare ved at se på en taske fyldt med genstande, robotten vidste, hvordan den skulle forudsige, hvilke der kunne gribes eller suges, og hvilken konfiguration af disse plukkeadfærd, der sandsynligvis ville være vellykket, " siger Rodriguez. "Engang den var i griberen, objektet var meget lettere at genkende, uden al rod."

Fra pixels til etiketter

Forskerne udviklede et perceptionssystem på lignende måde, gør det muligt for robotten at genkende og klassificere et objekt, når det er blevet grebet.

For at gøre det, de samlede først et bibliotek af produktbilleder taget fra onlinekilder såsom forhandlerwebsteder. De mærkede hvert billede med den korrekte identifikation - f.eks. gaffatape versus maskeringstape – og udviklede derefter en anden indlæringsalgoritme til at relatere pixels i et givet billede til den korrekte etiket for et givent objekt.

"Vi sammenligner ting, for mennesker, kan være meget let at identificere som det samme, men i virkeligheden, som pixels, de kunne se meget anderledes ud, " siger Rodriguez. "Vi sørger for, at denne algoritme får det rigtige til disse træningseksempler. Så er håbet, at vi har givet det nok træningseksempler til, at når vi giver det et nyt objekt, det vil også forudsige den korrekte etiket."

Sidste juli, holdet pakkede den 2 tons tunge robot og sendte den til Japan, hvor, en måned senere, de samlede det igen for at deltage i Amazon Robotics Challenge, en årlig konkurrence sponsoreret af online-megahandleren for at tilskynde til innovationer inden for lagerteknologi. Rodriguez' hold var et af 16, der deltog i en konkurrence om at plukke og stuve genstande fra en rodet skraldespand.

Til sidst, holdets robot havde en succesrate på 54 procent i at samle genstande op ved hjælp af sugning og en succesrate på 75 procent ved at gribe, og var i stand til at genkende nye objekter med 100 procent nøjagtighed. Robotten opbevarede også alle 20 genstande inden for den tildelte tid.

For sit arbejde, Rodriguez blev for nylig tildelt en Amazon Research Award og vil arbejde sammen med virksomheden for yderligere at forbedre pick-and-place-teknologien – først og fremmest, dens hastighed og reaktivitet.

"At vælge i ustrukturerede miljøer er ikke pålideligt, medmindre du tilføjer en vis grad af reaktivitet, " siger Rodriguez. "Når mennesker vælger, vi laver små justeringer, mens vi plukker. Ved at finde ud af, hvordan man gør dette mere responsive valg, Jeg tror, er en af ​​de nøgleteknologier, vi er interesserede i."

Holdet har allerede taget nogle skridt mod dette mål ved at tilføje taktile sensorer til robottens griber og køre systemet gennem et nyt træningsregime.

"Griberen har nu taktile sensorer, og vi har aktiveret et system, hvor robotten bruger hele dagen på kontinuerligt at plukke ting fra et sted til et andet. Det fanger information om, hvornår det lykkes og fejler, og hvordan det føles at samle op, eller undlader at samle genstande op, " siger Rodriguez. "Forhåbentlig vil den bruge den information til at begynde at bringe den reaktionsevne til at forstå."