p Desempacotar mantimentos é uma tarefa simples, embora entediante:você enfia a mão em uma sacola, procure por um item, e puxe-o para fora. Uma rápida olhada dirá o que o item é e onde deve ser armazenado. p Agora, engenheiros do MIT e da Universidade de Princeton desenvolveram um sistema robótico que pode um dia ajudar nessa tarefa doméstica, bem como auxiliar em outras tarefas de separação e seleção, desde a organização de produtos em um depósito até a remoção de entulhos de uma zona de desastre.

p O sistema "pick-and-place" da equipe consiste em um braço robótico industrial padrão que os pesquisadores equiparam com uma pinça personalizada e uma ventosa. Eles desenvolveram um algoritmo de agarramento "agnóstico a objeto" que permite ao robô avaliar uma caixa de objetos aleatórios e determinar a melhor maneira de agarrar ou aspirar um item em meio à desordem, sem ter que saber nada sobre o objeto antes de pegá-lo.

p Depois de agarrar um item com sucesso, o robô o retira da caixa. Um conjunto de câmeras então tira imagens do objeto de vários ângulos, e com a ajuda de um novo algoritmo de correspondência de imagens, o robô pode comparar as imagens do objeto escolhido com uma biblioteca de outras imagens para encontrar a correspondência mais próxima. Desta maneira, o robô identifica o objeto, em seguida, armazena-o em uma caixa separada.

p Em geral, o robô segue um fluxo de trabalho "agarrar primeiro e depois reconhecer", o que acaba por ser uma sequência eficaz em comparação com outras tecnologias pick-and-place.

p "Isso pode ser aplicado à classificação do armazém, mas também pode ser usado para retirar coisas do armário da cozinha ou limpar entulhos após um acidente. Existem muitas situações em que as tecnologias de separação podem ter um impacto, "diz Alberto Rodriguez, Walter Henry Gale, Professor de Desenvolvimento de Carreira em Engenharia Mecânica no MIT.

p Rodriguez e seus colegas do MIT e Princeton apresentarão um artigo detalhando seu sistema na Conferência Internacional IEEE sobre Robótica e Automação, em maio.

p Construindo uma biblioteca de sucessos e fracassos

p Embora as tecnologias pick-and-place possam ter muitos usos, os sistemas existentes são normalmente projetados para funcionar apenas em ambientes rigidamente controlados.

p Hoje, a maioria dos robôs de separação industrial são projetados para um específico, tarefa repetitiva, como agarrar uma peça de carro de uma linha de montagem, sempre no mesmo, orientação cuidadosamente calibrada. Contudo, Rodriguez está trabalhando para projetar robôs mais flexíveis, adaptável, e selecionadores inteligentes, para configurações não estruturadas, como armazéns de varejo, onde um selecionador pode encontrar consistentemente e ter que classificar centenas, senão milhares de novos objetos a cada dia, frequentemente em meio a uma desordem densa.

p O design da equipe é baseado em duas operações gerais:escolher - o ato de agarrar um objeto com sucesso, e percepção - a capacidade de reconhecer e classificar um objeto, uma vez apreendido.

p Os pesquisadores treinaram o braço robótico para pegar novos objetos de uma lixeira entulhada, usando qualquer um dos quatro principais comportamentos de agarrar:aspirar em um objeto, quer verticalmente, ou de lado; agarrar o objeto verticalmente como a garra em um jogo de arcade; ou, para objetos que ficam rentes a uma parede, agarrando verticalmente, em seguida, usando uma espátula flexível para deslizar entre o objeto e a parede.

p Rodriguez e sua equipe mostraram as imagens de robôs de lixeiras atulhadas de objetos, capturado do ponto de vista do robô. Eles então mostraram ao robô quais objetos eram agarráveis, com qual dos quatro principais comportamentos de agarramento, e quais não eram, marcando cada exemplo como um sucesso ou fracasso. Eles fizeram isso por centenas de exemplos, e com o tempo, os pesquisadores construíram uma biblioteca para selecionar sucessos e fracassos. Em seguida, eles incorporaram essa biblioteca em uma "rede neural profunda" - uma classe de algoritmos de aprendizagem que permite ao robô combinar o problema atual que enfrenta com um resultado bem-sucedido do passado, com base em sua biblioteca de sucessos e fracassos.

p “Desenvolvemos um sistema onde, apenas olhando para uma sacola cheia de objetos, o robô sabia como prever quais eram agarráveis ​​ou aspiráveis, e qual configuração desses comportamentos de separação provavelmente teria sucesso, "Rodriguez diz." Uma vez que estava na garra, o objeto era muito mais fácil de reconhecer, sem toda a desordem. "

p De pixels a rótulos

p Os pesquisadores desenvolveram um sistema de percepção de maneira semelhante, permitindo que o robô reconheça e classifique um objeto, uma vez que tenha sido agarrado com sucesso.

p Para fazer isso, eles primeiro montaram uma biblioteca de imagens de produtos tiradas de fontes online, como sites de varejistas. Eles rotularam cada imagem com a identificação correta - por exemplo, fita adesiva versus fita adesiva - e então desenvolveu outro algoritmo de aprendizagem para relacionar os pixels em uma determinada imagem ao rótulo correto para um determinado objeto.

p "Estamos comparando coisas que, para humanos, pode ser muito fácil de identificar como o mesmo, Mas na realidade, como pixels, eles podem ter uma aparência significativamente diferente, "Rodriguez diz." Nós nos certificamos de que este algoritmo acerta para esses exemplos de treinamento. Então, a esperança é que tenhamos dado exemplos de treinamento suficientes que, quando damos a ele um novo objeto, também irá prever o rótulo correto. "

p Julho passado, a equipe embalou o robô de 2 toneladas e o enviou para o Japão, Onde, um mês depois, eles o remontaram para participar do Amazon Robotics Challenge, uma competição anual patrocinada pelo megaretalhista online para encorajar inovações em tecnologia de warehouse. A equipe de Rodriguez foi uma das 16 participantes de uma competição para retirar e guardar objetos de uma lixeira entulhada.

p No fim, o robô da equipe teve uma taxa de sucesso de 54 por cento em pegar objetos usando sucção e uma taxa de sucesso de 75 por cento usando agarrar, e foi capaz de reconhecer objetos novos com 100 por cento de precisão. O robô também guardou todos os 20 objetos dentro do tempo estipulado.

p Por seu trabalho, Rodriguez recebeu recentemente um Prêmio de Pesquisa da Amazon e trabalhará com a empresa para melhorar ainda mais a tecnologia de pick-and-place - acima de tudo, sua velocidade e reatividade.

p "Escolher em ambientes não estruturados não é confiável, a menos que você adicione algum nível de reatividade, "Rodriguez diz." Quando os humanos escolhem, nós meio que fazemos pequenos ajustes conforme estamos escolhendo. Descobrir como fazer essa seleção mais responsiva, Eu penso, é uma das principais tecnologias em que estamos interessados. "

p A equipe já deu alguns passos em direção a esse objetivo, adicionando sensores táteis à garra do robô e executando o sistema por meio de um novo regime de treinamento.

p "A garra agora tem sensores táteis, e habilitamos um sistema onde o robô passa o dia todo continuamente escolhendo coisas de um lugar para outro. Ele está capturando informações sobre quando é bem-sucedido ou falha, e como é pegar, ou falha em pegar objetos, "Rodriguez diz." Espero que ele use essa informação para começar a trazer essa reatividade à compreensão. "