یک تکنیک تصویر جدید که توسط محققان MIT ساخته شده است می تواند روبات های کنترل کیفیت را در یک انبار فعال کند تا از طریق جعبه تحویل مقوایی نگاه کنند و ببینند که دسته اشکال که در زیر بادام زمینی بسته بندی شده است ، شکسته است.
رویکرد آنها از سیگنال های MMWAVE (MMWAVE) استفاده می کند ، همان نوع سیگنال های مورد استفاده در Wi-Fi برای ایجاد بازسازی دقیق سه بعدی اشیاء که توسط نمای مسدود شده اند.
امواج می توانند از طریق موانع متداول مانند ظروف پلاستیکی یا دیوارهای داخلی حرکت کنند و اشیاء پنهان را منعکس کنند. این سیستم ، به نام MMNorm ، این بازتاب ها را جمع می کند و آنها را در الگوریتمی قرار می دهد که شکل سطح جسم را ارزیابی می کند.
این رویکرد جدید به 96 درصد دقت در بازسازی تعدادی از اشیاء روزمره با اشکال پیچیده و خمیده مانند کشتی های نقره ای و آموزش قدرت رسیده است. روشهای اساسی مدرن تنها 78 درصد دقت به دست آورده اند.
علاوه بر این ، MMNORM برای دستیابی به چنین دقت بالا به پهنای باند اضافی احتیاج ندارد. این کارایی می تواند این روش را در طیف گسترده ای از تنظیمات ، از کارخانه ها گرفته تا امکانات پشتیبانی از زندگی ، استفاده کند.
به عنوان مثال ، MMNORM ممکن است روبات هایی را که در یک کارخانه یا خانه کار می کنند ، قادر به تمایز ابزارهای پنهان در کشو و شناسایی دسته های آنها باشد تا بتوانند بدون ایجاد آسیب ، به طور مؤثرتری اشیاء را درک و دستکاری کنند.
“ما مدتی است که در این مشکل ادغام شده ایم ، اما ما به یک دیوار ضربه زده ایم زیرا روش های گذشته ، در حالی که آنها UEED بودند. با یک روش بسیار متفاوت از این سیگنال ها از آنچه بیش از نیم قرن برای باز کردن انواع جدید برنامه ها استفاده شده است ، می گوید:
Adib به روزنامه دستیاران تحقیقاتی لورا دودز ، نویسنده اصلی و تارا بیروجاکی و کیچن ژو سابق دکترای سابق می پیوندد. این نظرسنجی اخیراً در کنفرانس بین المللی سالانه سیستم های تلفن همراه ، برنامه ها و خدمات ارائه شده است.
بازتاب در بازتاب ها
تکنیک های رادار سنتی سیگنال های MMWAVE را ارسال می کنند و بازتاب های محیطی را برای یافتن اشیاء پنهان یا دوردست دریافت می کنند ، تکنیکی به نام پیش بینی برگشت.
این روش برای اشیاء بزرگ مانند هواپیما که توسط ابرها تاریک شده است ، به خوبی کار می کند ، اما وضوح تصویر برای وسایل کوچک مانند وسایل آشپزخانه که ممکن است نیاز به شناسایی یک ربات داشته باشند بسیار خشن است.
محققان MIT هنگام مطالعه این مشکل ، فهمیدند که تکنیک های پیش بینی موجود ، خاصیت مهمی را که به عنوان سوداگری شناخته می شود ، نادیده می گیرند. هنگامی که یک سیستم رادار امواج را تقریباً هر سطحی منتقل می کند ، ضربه موج به عنوان یک آینه عمل می کند و گمانه زنی ها را ایجاد می کند.
اگر سطح به آنتن هدایت شود ، سیگنال شیء آنتن را منعکس می کند ، اما اگر سطح در جهت دیگری هدایت شود ، بازتاب از رادار عبور می کند و به دست نمی آید.
وزارت دفاع می گوید: “با تکیه بر گمانه زنی ها ، ایده ما این است که نه تنها برای ارزیابی محل تأملات در محیط ، بلکه در جهت سطح نیز در آن لحظه ارزیابی کنیم.”
آنها MMNorm را برای قدردانی از آنچه که سطح طبیعی نامیده می شود ، ایجاد کرده اند ، یعنی جهت سطح در یک نقطه خاص از فضا ، و از این تخمین ها برای بازسازی انحنای سطح در این زمان استفاده می کنند.
MMNORM با ترکیب تخمین های سطح طبیعی در هر نقطه از فضا ، از یک فرمولاسیون ریاضی ویژه برای بازسازی جسم سه بعدی استفاده می کند.
محققان با وصل کردن یک رادار به یک بازوی روباتیک که به طور مداوم اندازه گیری ها را در حین حرکت در اطراف یک عنصر پنهان انجام می دهد ، یک نمونه اولیه MMNorm ایجاد کردند. این سیستم قدرت سیگنالهایی را که در مکان های مختلف دریافت می کند برای ارزیابی انحنای سطح سایت مقایسه می کند.
به عنوان مثال ، آنتن قدرتمندترین بازتابهای سطح را که مستقیماً به آن هدایت می شود ، دریافت می کند و سیگنال های بیشتری از سطوح که مستقیماً با آنتن روبرو نیستند.
از آنجا که آنتن های متعدد رادار بازتاب دریافت می کنند ، هر آنتن “رای” در جهت سطح ، طبیعی بر اساس نیروی سیگنال دریافت شده است.
Dods می گوید: “برخی از آنتن ها ممکن است رأی بسیار محکمی داشته باشند ، برخی ممکن است رأی بسیار ضعیفی داشته باشند و ما می توانیم تمام آرا را با هم ترکیب کنیم تا سطحی را ایجاد کنیم که از همه مکان های آنتن توافق شود.”
علاوه بر این ، همانطور که MMNORM سطح را به طور عادی از تمام نقاط موجود در فضا ارزیابی می کند ، بسیاری از سطوح ممکن را ایجاد می کند. در صفر در سمت راست ، محققان تکنیک هایی را از گرافیک رایانه وام گرفتند و یک ویژگی سه بعدی را ایجاد کردند که سطحی را انتخاب می کند که بیشترین نماینده برای سیگنال های به دست آمده است. آنها از این برای تولید بازسازی سه بعدی نهایی استفاده می کنند.
جزئیات را تمام کنید
این تیم توانایی MMNORM را در بازسازی بیش از 60 شی با شکل های پیچیده مانند دسته و منحنی لیوان آزمایش می کند. این بازسازی حدود 40 درصد خطای کمتری نسبت به به روزترین رویکردها ایجاد می کند ، ضمن اینکه موقعیت سایت را به طور خاص ارزیابی می کند.
تکنیک جدید آنها همچنین می تواند بین بسیاری از اشیاء ، مانند چنگال ، چاقو و قاشق پنهان در همان جعبه ، تمایز قائل شود. همچنین برای وسایل ساخته شده از مواد ، از جمله چوب ، فلز ، پلاستیک ، لاستیک و شیشه و همچنین ترکیبی از مواد ، عملکرد خوبی داشت ، اما برای اشیاء پنهان در پشت فلزی یا دیوارهای بسیار ضخیم کار نمی کند.
Bororhaki می گوید: “نتایج کیفیت ما واقعاً در مورد خود صحبت می کند. و اندازه پیشرفتی که می بینید ، توسعه برنامه هایی را که از این بازسازی های با وضوح سه بعدی برای کارهای جدید استفاده می کنند ، آسانتر می کند.”
به عنوان مثال ، ربات می تواند بین چندین ابزار موجود در این زمینه تمایز قائل شود ، شکل و مکان دقیق دسته چکش را تعیین کند ، و سپس قصد دارد آن را برای کار استفاده و استفاده کند. همچنین می توان از MMNORM با هدست واقعیت گسترده استفاده کرد و به یک کارخانه کارخانه اجازه می دهد تا تصاویر اشیاء کاملاً مسدود شده را ببیند.
همچنین می تواند در برنامه های امنیتی و دفاعی موجود گنجانده شود و بازسازی دقیق تر اشیاء پنهان در اسکنرهای امنیتی فرودگاه یا در هنگام اطلاعات نظامی ایجاد شود.
محققان می خواهند این و سایر برنامه های بالقوه را در کارهای آینده کشف کنند. آنها همچنین می خواهند وضوح تکنیک خود را بهبود بخشند ، کار خود را برای بازتاب کمتر اشیاء تقویت کنند و امواج MM را قادر می سازند تا از طریق انسداد بیشتر به طور مؤثر عمل کنند.
Dods می گوید: “این کار واقعاً تغییر در الگوی در روشی است که ما در مورد این سیگنال ها و این روند بازسازی سه بعدی فکر می کنیم. ما خوشحالیم که ببینیم بینش هایی که در اینجا به دست آورده ایم می تواند تأثیر گسترده ای داشته باشد.”
این کار تا حدودی توسط بنیاد ملی علمی ، MIT Media Lab و مایکروسافت پشتیبانی می شود.
