Noticias Actualidad en procesos industriales

Dele visibilidad a su trayectoria académica

Participe en la convocatoria de trabajos inéditos de Virtual Pro.

Publicar Ahora

2021-10-07Un robot que encuentra objetos perdidos

MIT |Este brazo robótico fusiona los datos de una cámara y una antena para localizar y recuperar objetos, incluso si están enterrados bajo una pila.

Una persona muy ocupada está lista para salir por la puerta, pero se da cuenta de que ha perdido las llaves y debe buscarlas entre montones de cosas. Al rebuscar rápidamente entre el desorden, les gustaría poder averiguar qué pila esconde las llaves.

Investigadores del MIT han creado un sistema robótico que puede hacer precisamente eso. El sistema, llamado RFusion, es un brazo robótico con una cámara y una antena de radiofrecuencia (RF) unida a su pinza. Fusiona las señales de la antena con la información visual de la cámara para localizar y recuperar un objeto, incluso si éste está enterrado bajo una pila y completamente fuera de la vista.

El prototipo de RFusion desarrollado por los investigadores se basa en etiquetas RFID, que son etiquetas baratas y sin batería que pueden pegarse a un artículo y reflejar las señales enviadas por una antena. Como las señales de radiofrecuencia pueden atravesar la mayoría de las superficies (como el montón de ropa sucia que puede estar ocultando las llaves), RFusion es capaz de localizar un artículo etiquetado dentro de un montón.

Gracias al aprendizaje automático, el brazo robótico localiza automáticamente la ubicación exacta del objeto, mueve los artículos que están encima, agarra el objeto y verifica que ha recogido lo correcto. La cámara, la antena, el brazo robótico y la IA están totalmente integrados, por lo que RFusion puede trabajar en cualquier entorno sin necesidad de una configuración especial.

Aunque la búsqueda de llaves perdidas es útil, RFusion podría tener muchas más aplicaciones en el futuro, como la clasificación de pilas para cumplir con los pedidos en un almacén, la identificación e instalación de componentes en una planta de fabricación de automóviles o la ayuda a una persona mayor para realizar las tareas diarias en el hogar, aunque el prototipo actual no es lo suficientemente rápido para estos usos.

"Esta idea de ser capaz de encontrar objetos en un mundo caótico es un problema abierto en el que llevamos trabajando unos cuantos años. Disponer de robots capaces de buscar cosas bajo un montón es una necesidad creciente en la industria actual. En este momento, se puede pensar en esto como una Roomba con esteroides, pero a corto plazo, esto podría tener muchas aplicaciones en entornos de fabricación y almacenes", dijo el autor principal Fadel Adib, profesor asociado en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación y director del grupo de Cinética de Señales en el Laboratorio de Medios del MIT.

Entre los coautores se encuentran la asistente de investigación Tara Boroushaki, autora principal; el estudiante de postgrado de ingeniería eléctrica y ciencias de la computación Isaac Perper; el investigador asociado Mergen Nachin; y Alberto Rodríguez, profesor asociado de la promoción de 1957 del Departamento de Ingeniería Mecánica. La investigación se presentará en la Association for Computing Machinery Conference on Embedded Networked Senor Systems el próximo mes.

Envío de señales

RFusion comienza a buscar un objeto utilizando su antena, que hace rebotar las señales en la etiqueta RFID (como la luz del sol se refleja en un espejo) para identificar un área esférica en la que se encuentra la etiqueta. Combina esa esfera con la entrada de la cámara, que acota la ubicación del objeto. Por ejemplo, el objeto no puede situarse en una zona de la mesa que esté vacía.

Pero una vez que el robot tiene una idea general de dónde está el objeto, tendría que mover su brazo ampliamente por la habitación tomando medidas adicionales para llegar a la ubicación exacta, lo cual es lento e ineficiente.

Los investigadores utilizaron el aprendizaje por refuerzo para entrenar una red neuronal que puede optimizar la trayectoria del robot hasta el objeto. En el aprendizaje por refuerzo, el algoritmo se entrena mediante ensayo y error con un sistema de recompensas.

"Así es también como aprende nuestro cerebro. Recibimos recompensas de nuestros profesores, de nuestros padres, de un juego de ordenador, etc. Lo mismo ocurre en el aprendizaje por refuerzo. Dejamos que el agente se equivoque o haga algo bien y entonces castigamos o premiamos a la red. Así es como la red aprende algo que es realmente difícil de modelar", explica Boroushaki.

En el caso de RFusion, el algoritmo de optimización fue recompensado cuando limitó el número de movimientos que tenía que hacer para localizar el artículo y la distancia que tenía que recorrer para recogerlo.

Una vez que el sistema identifica el punto exacto, la red neuronal utiliza información combinada de RF y visual para predecir cómo debe agarrar el objeto el brazo robótico, incluido el ángulo de la mano y la anchura de la pinza, y si debe retirar primero otros artículos. También escanea la etiqueta del artículo una última vez para asegurarse de que ha cogido el objeto correcto.

Atravesando el desorden

Los investigadores probaron RFusion en varios entornos diferentes. Enterraron un llavero en una caja llena de desorden y escondieron un mando a distancia bajo una pila de objetos en un sofá.

Pero si hubieran introducido todos los datos de la cámara y las mediciones de RF en el algoritmo de aprendizaje por refuerzo, habrían sobrecargado el sistema. Así que, basándose en el método que utiliza un GPS para consolidar los datos de los satélites, resumieron las mediciones de radiofrecuencia y limitaron los datos visuales a la zona situada justo delante del robot.

El método funcionó bien: RFusion obtuvo un 96% de éxito en la recuperación de objetos que estaban totalmente ocultos bajo una pila.

"A veces, si sólo te basas en las mediciones de RF, va a haber un valor atípico, y si sólo te basas en la visión, a veces va a haber un error de la cámara. Pero si se combinan, se corrigen mutuamente. Eso es lo que hace que el sistema sea tan robusto", afirma Boroushaki.

En el futuro, los investigadores esperan aumentar la velocidad del sistema para que pueda moverse con fluidez, en lugar de detenerse periódicamente para tomar medidas. De este modo, la RFusion podría instalarse en un entorno de fabricación o almacén de ritmo rápido.

Más allá de sus posibles usos industriales, un sistema como éste podría incluso incorporarse a los futuros hogares inteligentes para ayudar a las personas en cualquier tarea doméstica, afirma Boroushaki.

"Cada año se utilizan miles de millones de etiquetas RFID para identificar objetos en las complejas cadenas de suministro actuales, incluida la ropa y muchos otros bienes de consumo. El enfoque de RFusion señala el camino a los robots autónomos que pueden rebuscar en una pila de artículos mezclados y clasificarlos utilizando los datos almacenados en las etiquetas RFID, de forma mucho más eficiente que teniendo que inspeccionar cada artículo individualmente, especialmente cuando los artículos se parecen a un sistema de visión por ordenador", dice Matthew S. Reynolds, CoMotion Presidential Innovation Fellow y profesor asociado de ingeniería eléctrica e informática en la Universidad de Washington, que no participó en la investigación. "El enfoque de RFusion es un gran paso adelante para la robótica que opera en las complejas cadenas de suministro, en las que identificar y recoger el artículo correcto de forma rápida y precisa es la clave para conseguir que los pedidos se cumplan a tiempo y mantener contentos a los exigentes clientes."

La investigación está patrocinada por la National Science Foundation, una beca de investigación Sloan, NTT DATA, Toppan, Toppan Forms y el laboratorio Abdul Latif Jameel Water and Food Systems.

MIT
Autor
MIT

Promover la investigación, las innovaciones, la enseñanza y los eventos y las personas de interés periodístico del MIT a la comunidad del campus, los medios de comunicación y el público en general, Comunicar anuncios del Instituto, Publicar noticias de la comunidad para profesores, estudiantes, personal y ex alumnos del MIT. Proporcionar servicios de medios a los miembros de la comunidad, incluido el asesoramiento sobre cómo trabajar con periodistas, Responder a consultas de los medios y solicitudes de entrevistas...


2024-03-26
Este modelo computacional simula el crecimiento biomecánico de los tumores de mama

La herramienta, creada por investigadores de España y EE UU, ayudará a predecir la evolución del cáncer en pacientes a partir de las propiedades mecánicas y del área donde se desarrolla, que se pueden conocer a través de una biopsia o técnicas de imagen.

2024-03-26
ChatGPT español: España da un paso hacia el futuro de la IA

Un ChatGPT español no suena nada descabellado en un mundo impulsado por avances tecnológicos cada vez más veloces y en el que la inteligencia artificial (IA) ha demostrado su capacidad para adaptarse y abrir nuevas posibilidades en diversos campos. En este sentido, durante el Mobile World Congress (MWC) España ha dado un paso importante hacia el futuro con el desarrollo de su propio Large Language Model (LLM) entrenado en español y lenguas cooficiales.

2024-03-11
Prueban feromonas artificiales en “enjambre” de robots para saber cómo se comunican y coordinan

Hormigas, abejas y termitas son algunos de los animales que expelen sustancias que les permite comunicarse entre sí (estigmergia), optimizando la coordinación de sus colonias y su relación con el entorno. Este comportamiento se simuló en laboratorio con un enjambre de pequeños robots, mediante luz ultravioleta, y sus resultados son positivos para la industria, ya que en un futuro esta capacidad de inteligencia grupal y conocimiento compartido permitiría clasificar objetos en bodegas o granjas, por ejemplo. Además, mediante inteligencia artificial (IA) desarrollaron aprendizaje automático.

2024-03-07
Método verifica rápidamente que un robot evitará colisiones

Este enfoque, más rápido y preciso que algunas alternativas, podría resultar útil para robots que interactúan con humanos o trabajan en espacios reducidos.

2024-03-06
La última tendencia para bordar las entrevistas de trabajo: entrenar con ChatGPT como reclutador

Se está debatiendo mucho sobre el papel de la inteligencia artificial en el ámbito laboral y el impacto que esta nueva tecnología tendrá en tareas repetitivas. La Generación Z formada por los jóvenes que están empezando su carrera laboral ahora, será la principal afectada por la irrupción de la IA, pero ya está comenzando su contraofensiva: utilizar la IA como entrenador para conseguir un empleo.

2024-02-29
EMO es la impresionante IA que viene de China: vídeos a partir de una sola imagen y un archivo de voz

Cada día es una historia nueva con la IA. Si hace unas semanas era Sora, ahora es EMO la inteligencia artificial generativa que nos deja impresionados. Y al contrario de lo que suele ser habitual, en este caso no viene ni de OpenAI ni de Google ni de ninguno de los grandes actores del panorama. La nueva IA viene de China, pues ha sido presentada por Alibaba.