Desembalar los comestibles es una tarea sencilla, aunque tediosa:mete la mano en una bolsa, busca un artículo, y sáquelo. Un vistazo rápido le dirá qué es el artículo y dónde debe almacenarse.

Ahora, los ingenieros del MIT y la Universidad de Princeton han desarrollado un sistema robótico que algún día podría ayudar con esta tarea doméstica, así como ayudar en otras tareas de selección y clasificación, desde organizar los productos en un almacén hasta retirar los escombros de una zona de desastre.

El sistema "pick-and-place" del equipo consiste en un brazo robótico industrial estándar que los investigadores equiparon con una pinza y una ventosa personalizadas. Desarrollaron un algoritmo de agarre "independiente del objeto" que permite al robot evaluar un contenedor de objetos aleatorios y determinar la mejor manera de agarrar o succionar un elemento en medio del desorden. sin tener que saber nada sobre el objeto antes de recogerlo.

Una vez que haya agarrado con éxito un elemento, el robot lo saca del contenedor. Luego, un conjunto de cámaras toma imágenes del objeto desde varios ángulos, y con la ayuda de un nuevo algoritmo de coincidencia de imágenes, el robot puede comparar las imágenes del objeto seleccionado con una biblioteca de otras imágenes para encontrar la coincidencia más cercana. De este modo, el robot identifica el objeto, luego lo guarda en un contenedor separado.

En general, el robot sigue un flujo de trabajo de "agarrar primero y luego reconocer", que resulta ser una secuencia efectiva en comparación con otras tecnologías de pick-and-place.

"Esto se puede aplicar a la clasificación de almacenes, pero también se puede usar para recoger cosas del gabinete de la cocina o limpiar escombros después de un accidente. Hay muchas situaciones en las que las tecnologías de picking pueden tener un impacto, "dice Alberto Rodríguez, el Profesor de Desarrollo de Carrera Walter Henry Gale en Ingeniería Mecánica en el MIT.

Rodríguez y sus colegas en MIT y Princeton presentarán un documento detallando su sistema en la Conferencia Internacional IEEE sobre Robótica y Automatización, En Mayo.

Construyendo una biblioteca de éxitos y fracasos

Si bien las tecnologías de recoger y colocar pueden tener muchos usos, Los sistemas existentes generalmente están diseñados para funcionar solo en entornos estrictamente controlados.

Hoy dia, La mayoría de los robots de recolección industriales están diseñados para un tarea repetitiva, como agarrar una pieza de automóvil de una línea de montaje, siempre en el mismo, Orientación cuidadosamente calibrada. Sin embargo, Rodríguez está trabajando para diseñar robots más flexibles, adaptable, y recolectores inteligentes, para entornos no estructurados, como almacenes minoristas, donde un recolector puede encontrar constantemente y tener que clasificar cientos, si no miles de objetos nuevos cada día, a menudo en medio de un denso desorden.

El diseño del equipo se basa en dos operaciones generales:recoger:el acto de agarrar con éxito un objeto, y percibir:la capacidad de reconocer y clasificar un objeto, una vez agarrado.

Los investigadores entrenaron el brazo robótico para recoger objetos novedosos de un contenedor desordenado, usar cualquiera de los cuatro comportamientos principales de agarre:succionar un objeto, ya sea verticalmente, o desde el costado; agarrar el objeto verticalmente como la garra en un juego de arcade; o, para objetos que se encuentran a ras de la pared, agarrando verticalmente, luego, use una espátula flexible para deslizarse entre el objeto y la pared.

Rodríguez y su equipo mostraron las imágenes del robot de contenedores llenos de objetos, capturado desde el punto de vista del robot. Luego le mostraron al robot qué objetos se podían agarrar, con cuál de los cuatro principales comportamientos de agarre, y que no fueron, marcando cada ejemplo como un éxito o un fracaso. Hicieron esto por cientos de ejemplos, y con el tiempo los investigadores crearon una biblioteca de selección de éxitos y fracasos. Luego incorporaron esta biblioteca en una "red neuronal profunda", una clase de algoritmos de aprendizaje que permite al robot hacer coincidir el problema actual que enfrenta con un resultado exitoso del pasado. basado en su biblioteca de éxitos y fracasos.

"Desarrollamos un sistema donde, con solo mirar un bolso lleno de objetos, el robot sabía cómo predecir cuáles se podían agarrar o succionar, y qué configuración de estos comportamientos de selección era probable que tuviera éxito, "Dice Rodríguez." Una vez que estuvo en la pinza, el objeto era mucho más fácil de reconocer, sin todo el desorden ".

De píxeles a etiquetas

Los investigadores desarrollaron un sistema de percepción de manera similar, permitiendo que el robot reconozca y clasifique un objeto una vez que ha sido agarrado con éxito.

Para hacerlo Primero reunieron una biblioteca de imágenes de productos tomadas de fuentes en línea, como sitios web de minoristas. Etiquetaron cada imagen con la identificación correcta, por ejemplo, cinta adhesiva versus cinta adhesiva, y luego desarrolló otro algoritmo de aprendizaje para relacionar los píxeles de una imagen determinada con la etiqueta correcta de un objeto determinado.

"Estamos comparando cosas que, para humanos, puede ser muy fácil de identificar como el mismo, Pero en la realidad, como píxeles, podrían verse significativamente diferentes, "Dice Rodríguez." Nos aseguramos de que este algoritmo lo haga bien para estos ejemplos de entrenamiento. Entonces, la esperanza es que le hayamos dado suficientes ejemplos de capacitación que, cuando le damos un nuevo objeto, también predecirá la etiqueta correcta ".

Julio pasado, el equipo empacó el robot de 2 toneladas y lo envió a Japón, dónde, un mes después, lo volvieron a montar para participar en el Amazon Robotics Challenge, un concurso anual patrocinado por el mega minorista en línea para fomentar las innovaciones en la tecnología de almacenamiento. El equipo de Rodríguez fue uno de los 16 que participaron en una competencia para recoger y guardar objetos de un contenedor desordenado.

En el final, El robot del equipo tuvo una tasa de éxito del 54 por ciento al levantar objetos usando succión y una tasa de éxito del 75 por ciento al agarrar, y fue capaz de reconocer objetos nuevos con un 100 por ciento de precisión. El robot también guardó los 20 objetos dentro del tiempo asignado.

Por su trabajo, Rodríguez recibió recientemente un premio de investigación de Amazon y trabajará con la empresa para mejorar aún más la tecnología de pick-and-place, sobre todo, su velocidad y reactividad.

"La selección en entornos no estructurados no es confiable a menos que agregue algún nivel de reactividad, "Dice Rodríguez." Cuando los humanos eligen, hacemos pequeños ajustes a medida que seleccionamos. Descubriendo cómo hacer esta selección más receptiva, Creo, es una de las tecnologías clave que nos interesan ".

El equipo ya ha dado algunos pasos hacia este objetivo al agregar sensores táctiles a la pinza del robot y ejecutar el sistema a través de un nuevo régimen de entrenamiento.

"La pinza ahora tiene sensores táctiles, y hemos habilitado un sistema en el que el robot pasa todo el día recogiendo cosas continuamente de un lugar a otro. Está capturando información sobre cuándo tiene éxito y cuándo falla, y como se siente al recoger o no recoge objetos, ", Dice Rodríguez." Con suerte, utilizará esa información para comenzar a llevar esa reactividad a la comprensión ".