一位忙碌的上班族准备走出门，却发现他们把钥匙放错了地方，必须翻找成堆的东西才能找到它们。他们迅速筛选杂物，希望自己能弄清楚哪堆东西下藏着钥匙。
麻省理工学院的研究人员创造了一个机器人系统。该系统RFusion是一个机器人手臂，夹子上连接着摄像头和射频（RF）天线。它将天线的信号与相机的视觉输入融合在一起，以定位和检索物品。
研究人员开发的RFusion原型依赖于RFID标签，RFID标签是廉价的无电池标签，可以粘在物品上并反射天线发送的信号。由于射频信号可以穿过大多数表面（例如可能遮挡钥匙的脏衣服堆），RFusion能够找到一堆有标签的物品。
使用机器学习，机器人手臂会自动锁定物体的确切位置，移开目标物体顶部的物品，抓住物体，并确定它捡到了正确的东西。相机、天线、机器人手臂和人工智能完全集成，因此RFusion可以在任何环境中工作，而无需特殊设置。
虽然寻找丢失的钥匙很有帮助，不过RFusion将来可以有更多更广泛的应用程序，例如整理仓库中成堆的货物以完成订单，在汽车制造厂识别和安装组件，或帮助老年人在家里完成日常任务，尽管目前的原型还不足以快到应用于这些用途。
“能够在混乱的世界中找到物品的想法是一个我们多年来一直在研究的开放式问题。拥有能够搜索一堆东西的机器人是当今工业界日益增长的需求。”电气工程和计算机科学系副教授、麻省理工学院媒体实验室信号动力学小组主任Fadel Adib说：“现在，你可以把它想象成一种关于类固醇的Roomba，但短期内，这可能在制造和仓库环境中有很多应用。”
发送信号
RFusion使用天线搜索物体，天线将信号从RFID标签上弹出（就像阳光从镜子上反射出来一样），以识别标签所在的球面区域。它将该球体与相机输入相结合，从而缩小了物体的位置。例如，该项目无法位于表中空的区域上。
但一旦机器人大致了解了物品的位置，它就需要在房间里到处摆动手臂，进行额外的测量，以得出确切的位置，这既慢又低效。
研究人员使用强化学习来训练一个神经网络，该网络可以优化机器人到达目标物品的轨迹。在强化学习中，该算法通过反复试验与奖励系统进行训练。
“这也是我们的大脑学习的方式。我们从老师、父母、电脑游戏等那里得到奖励。同样的事情发生在强化学习中。我们让机器犯错或做正确的事情，然后进行惩罚或奖励。这就是机器学习如何学习一些很难建模的东西。”Boroushaki解释道。
在RFusion的情况下，当优化算法限制了定位物品移动的次数和拾取物品的距离时就会获得奖励。
一旦系统确定了确切的位置，神经网络将使用射频和视觉信息相结合来预测机器人手臂应该如何抓住物体，包括手的角度和夹持器的宽度，以及它是否必须先移除其他物品。最后它会再扫描一次物体的标签，以确保它捡到了正确的对象。
穿透杂物
研究人员在几种不同的环境中测试了RFusion。他们把钥匙串埋在一个满是杂物的盒子里，并将遥控器藏在沙发上的一堆物品下。
但如果他们将所有相机数据和射频测量输入强化学习算法，系统就会不堪重负。因此，根据全球定位系统用于整合卫星数据的方法，他们总结了射频测量，并将视觉数据限制在机器人正前方的区域。
他们的方法效果很好RFusion在检索完全隐藏在一堆东西下的物品时成功率为96%。
“有时，如果你只依靠射频测量，就会有一个异常值，如果你只依赖视觉，相机有时会出错。但如果你把它们结合起来，它们会互相纠正。这就是该系统如此强大的原因。”Boroushaki说。
将来，研究人员希望提高系统的速度，使其平稳运行，而不是定期停下来进行测量。这将使RFusion能够部署在快节奏的制造业或仓库环境中。Boroushaki说，除了潜在的工业用途外，像这样的系统甚至可以融入未来的智能家居，以帮助人们完成各种家务。
“每年，数十亿个RFID标签用于识别当今复杂供应链中的物品，包括服装和许多其他消费品。RFusion方法为自主机器人指明了道路，这些机器人可以从一堆混合物品中找到目标物品，并使用RFID标签中存储的数据进行分类，这比单独检查每个项目要高效得多，特别是当这些项目看起来像计算机视觉系统时，”华盛顿大学副教授Matthew S.Reynolds说道。RFusion方法是机器人在复杂供应链中运行的一大进步，在供应链中，快速准确地识别和“挑选”正确的物品是按时完成订单和让苛刻客户满意的关键。
本文由升哲科技编译，转载请注明。
