Схватывания Robo-сборщика и пакеты

Теперь инженеры из MIT и Принстонского университета разработали автоматизированную систему, которая может однажды предоставить руку с этой работой по дому, а также помогать в другом выборе и сортировке задач, от организации продуктов на складе к очищающимся обломкам от зоны бедствия.Система «выбора-и-места» команды состоит из стандартной промышленной роботизированной руки, которую исследователи снабдили оборудованием с таможенным захватом и присоской. Они развивали «агностика объекта», схватывающего алгоритм, который позволяет роботу оценить мусорное ведро случайных объектов и определить лучший способ держать или всасывание на пункт в условиях беспорядка, не имея необходимость знать что-либо об объекте перед собиранием его.Как только это успешно схватило пункт, робот снимает его из мусорного ведра.

Ряд камер тогда берет изображения объекта от различных углов, и с помощью нового соответствующего изображению алгоритма робот может сравнить изображения выбранного объекта с библиотекой других изображений, чтобы найти самый близкий матч. Таким образом робот определяет объект, затем убирает его в отдельном мусорном ведре.В целом робот следует, «схватывание сначала тогда признают» технологический процесс, который оказывается эффективной последовательностью по сравнению с другими технологиями выбора-и-места.

«Это может быть применено к складской сортировке, но также и может использоваться, чтобы выбрать вещи от Вашего кухонного шкафа или ясных обломков после несчастного случая. Есть много ситуаций, где выбор технологий мог оказать влияние», говорит Альберто Родригес, профессор профессионального развития Бури Уолтера Генри в Машиностроении в MIT.

Родригес и его коллеги в MIT и Принстоне сделают доклад, детализирующий их систему на Международной конференции IEEE по вопросам Робототехники и Автоматизации в мае.Строительство библиотеки успехов и неудачВ то время как у технологий выбора-и-места может быть много использования, существующие системы, как правило, разрабатываются, чтобы функционировать только в окружающей среде, которой плотно управляют.

Сегодня, большинство промышленных роботов выбора разработано для одной определенной, повторяющейся задачи, такой как захват автозапчасти от сборочного конвейера, всегда в том же самом, тщательно калибровал ориентацию. Однако Родригес работает, чтобы проектировать роботы столь же более гибкие, приспосабливаемые, и умные сборщики для неструктурированных параметров настройки, таких как розничные склады, где сборщик может последовательно сталкиваться и иметь, чтобы сортировать сотни, если не тысячи новых объектов каждый день, часто в условиях плотного беспорядка.Дизайн команды основан на двух общих операциях: выбор – акт успешного схватывания объекта и восприятия – способность признать и классифицировать объект, когда-то схваченный.Исследователи обучили роботизированную руку выбирать новые объекты из загроможденного мусорного ведра, используя любое из четырех главных цепких поведений: suctioning на объект, или вертикально, или со стороны; захват объекта вертикально как коготь в аркаде; или, для объектов, которые лежат поток на стену, держа вертикально, затем используя гибкую лопаточку, чтобы скользить между объектом и стеной.

Родригес и его команда показали изображения робота мусорных ведер, загроможденных объектами, захваченными с точки зрения робота. Они тогда показали робот, какие объекты были graspable, с который из четырех главных цепких поведений, и которые не были, отмечая каждый пример как успех или провал. Они сделали это для сотен примеров, и со временем, исследователи создали библиотеку выбора успехов и неудач.

Они тогда включили эту библиотеку в «глубокую нейронную сеть» – класс изучения алгоритмов, который позволяет роботу соответствовать текущей проблеме, с которой это стоит с успешным результатом от прошлого, на основе его библиотеки успехов и неудач.«Мы разработали систему, где, только смотря на тотализатор, заполненный объектами, робот знал, как предсказать, которые были graspable или suctionable, и какая конфигурация этих поведений выбора, вероятно, будет успешна», говорит Родригес. «Как только это было в захвате, объект было намного легче признать без всего беспорядка».

От пикселей до этикетокИсследователи разработали систему восприятия подобным образом, позволив роботу признать и классифицировать объект, как только он был успешно схвачен.Чтобы сделать так, они сначала собрали библиотеку образов товара, взятых из источников онлайн, таких как веб-сайты ритейлера.

Они маркировали каждое изображение правильной идентификацией – например, клейкая лента против клейкой ленты – и затем разработали другой алгоритм изучения, чтобы связать пиксели по данному изображению к правильной этикетке для данного объекта.«Мы сравниваем вещи, которые, для людей, может быть очень легко идентифицировать как то же самое, но в действительности, как пиксели, они могли выглядеть существенно отличающимися», говорит Родригес. «Мы удостоверяемся, что этот алгоритм разбирается в нем для этих учебных примеров. Тогда надежда состоит в том, что мы дали ему достаточно учебных примеров, что, когда мы даем ему новый объект, это также предскажет правильную этикетку».

В прошлом июле команда собрала 2-тонный робот и отправила его в Японию, где месяц спустя они повторно собрали его, чтобы участвовать в Amazon Robotics Challenge, ежегодные соревнования, спонсируемые мегаритейлером онлайн, чтобы поощрить инновации в складской технологии. Команда Родригеса была одним из 16 принятия участия на соревновании, чтобы выбрать и убрать объекты от загроможденного мусорного ведра.В конце робот команды имел 54-процентный показатель успешности в выборе объектов, используя всасывание и 75-процентное схватывание использования показателя успешности, и смог признать новые объекты с 100-процентной точностью. Робот также убрал все 20 объектов в течение выделенного времени.

Для его работы Родригесу недавно предоставили Amazon Research Award и будет работать с компанией, чтобы далее улучшить технологию выбора-и-места – в первую очередь, ее скорость и реактивность.«Выбор в неструктурированной окружающей среде не надежен, если Вы не добавляете некоторый уровень реактивности», говорит Родригес. «Когда люди выбирают, мы сортируем, делают маленькие регуляторы, поскольку мы выбираем.

Выяснение, как сделать этот более отзывчивый выбор, я думаю, является одной из ключевых технологий, которыми мы интересуемся».Команда уже сделала некоторые шаги к этой цели, добавив осязательные датчики к захвату робота и управляя системой через новый учебный режим.

«У захвата теперь есть осязательные датчики, и мы позволили систему, где робот тратит весь день непрерывно выбирающие вещи от одного места до другого. Это захватывает информацию о том, когда это имеет успех и терпит неудачу, и как это чувствует, чтобы взять или не берет объекты», говорит Родригес. «Надо надеяться, это будет использовать ту информацию, чтобы начать приносить ту реактивность к схватыванию».

Это исследование спонсировалось частично ABB Inc., MathWorks и Amazon.


FBCONSTANTA.RU