Según una encuesta publicada por la Oficina del Censo de EE. UU., alrededor de 12,3 millones de estadounidenses necesitan asistencia con las actividades de la vida diaria (AVD) o actividades instrumentales de la vida diaria (AIVD), uno de los cuales se está alimentando. Los robots pueden ser de gran ayuda para las personas afectadas por discapacidades graves, permitiéndoles comer y completar otras tareas diarias sin depender de la ayuda constante de otros seres humanos.

Teniendo esto en cuenta, un equipo de investigadores dirigido por el profesor Siddhartha Srinivasa en el Laboratorio de Robótica Personal de la Universidad de Washington ha estado tratando de desarrollar un sistema de alimentación asistido por robot que pueda recoger automáticamente los alimentos de los platos y dárselos a los usuarios humanos. En un artículo reciente publicado previamente en arXiv, los investigadores introdujeron un marco de adquisición de mordiscos diseñado para calcular y obtener "mordiscos" razonables de comida de un plato o tazón.

"Como laboratorio, nos apasiona desarrollar robots que puedan ayudar a las personas en su día a día, "Tapomayukh Bhattacharjee, uno de los investigadores que realizó el estudio, dijo a TechXplore. "A través de este proyecto, queremos desarrollar robots que puedan alimentar a las personas de forma autónoma. Para alimentar a las personas con una amplia variedad de alimentos, un robot debe tener la capacidad de adquirir alimentos nunca antes vistos. En este papel, nos centramos en el problema de la adquisición por mordiscos de alimentos que no se habían visto anteriormente ".

Un desafío clave al desarrollar sistemas de alimentación asistidos por robots es garantizar que estos robots puedan recoger de manera efectiva todos los tipos de alimentos que encuentran. Esto puede ser difícil de lograr, ya que los diferentes alimentos tienen una variedad de propiedades físicas y, por lo tanto, requieren diferentes estrategias de adquisición. Idealmente, un sistema de alimentación asistido por robot debe poder recoger cualquier alimento en un plato, incluso si nunca lo ha encontrado antes.

Para comprender mejor qué estrategias de adquisición funcionan mejor para determinados tipos de alimentos, Bhattacharjee y sus colegas recopilaron datos de 2450 pruebas de adquisición de mordidas de robots utilizando 16 alimentos con diferentes propiedades. Cuando analizaron estos datos, se dieron cuenta de que los elementos con propiedades físicas similares exhiben tasas de éxito de adquisición similares, lo que facilita la generalización de una estrategia de adquisición a elementos nunca antes vistos. Sus análisis también ofrecieron información sobre cómo otros factores (por ejemplo, el entorno que rodea la comida, paso de horquilla, ángulo de la horquilla, etc.) pueden afectar el éxito de un robot al tomar un bocado de comida de un plato.

Con base en estas observaciones, los investigadores desarrollaron un marco de adquisición de mordidas que utiliza dos redes neuronales distintas en una estructura jerárquica. La primera red, llamado RetinaNet, analiza imágenes de plato completo que contienen diferentes tipos de alimentos y luego genera cuadros delimitadores alrededor de artículos individuales. La segunda red, ESPAÑOL, utiliza estos cuadros delimitadores para calcular la probabilidad de éxito de diferentes acciones de adquisición de mordiscos y el eje de ensartado para cada alimento.

"Para generar la probabilidad de éxito, SPANet también utiliza funciones relacionadas con el entorno circundante de un alimento, ya que descubrimos que el entorno circundante afecta la elección de acciones de un robot, así como la tasa de éxito, ", Explicó Bhattacharjee." Para codificar las características del entorno, Desarrollamos un clasificador de entornos que identifica los elementos como si estuvieran en uno de tres entornos:aislado, cerca del borde de un plato u otro alimento, o encima de otros alimentos ".

Los investigadores aplicaron su marco a un brazo robótico JACO y evaluaron su rendimiento en una serie de experimentos en platos despejados y desordenados que contenían varios alimentos. Estas pruebas arrojaron resultados muy prometedores, con su método generalizando con éxito las estrategias de ensartado en alimentos nunca antes vistos.

"Nuestra red, ESPAÑOL, podría generalizar con éxito las acciones a alimentos no vistos previamente con distribuciones de acción de adquisición de mordidas similares, "Bhattacharjee dijo." Prácticamente, esto significa que dado un nuevo alimento que el robot no ha visto antes, nuestra red debería poder inferir cómo adquirirlo con éxito de un plato / tazón si el nuevo alimento puede adquirirse mediante acciones similares ".

En el futuro, el marco de adquisición de mordidas desarrollado por Bhattacharjee y sus colegas podría ayudar al desarrollo de sistemas de alimentación asistidos por robots más eficientes. Mientras tanto, los investigadores planean extender las acciones de adquisición de mordidas de su enfoque, ya que esto permitiría a los robots impulsados ​​por su marco recoger una variedad aún más amplia de alimentos, incluidos elementos como arroz y puré de patatas.

"También estamos interesados ​​en explorar formas de adquirir alimentos nunca antes vistos que requieren acciones muy diferentes para recogerlos en comparación con lo que el robot ha visto antes". "Dijo Bhattacharjee.

© 2019 Science X Network