ماشین‌های انتخاب و مکان نوعی تجهیزات خودکار هستند که برای قرار دادن اشیاء در مکان‌های ساختاریافته و سازمان‌یافته استفاده می‌شوند. این ماشین‌ها برای کاربردهای مختلفی استفاده می‌شوند – از مونتاژ الکترونیک گرفته تا بسته‌بندی، انباشتن ظروف و حتی بازرسی – اما بسیاری از راه‌حل‌های فعلی انتخاب و جابجایی محدود هستند. راه حل های فعلی فاقد «تعمیم دقیق» یا توانایی حل بسیاری از کارها بدون کاهش دقت هستند.
در صنعت، شما این را زیاد می بینید [manufacturers] آنها در نهایت به راه حل های بسیار سفارشی برای مشکل خاصی که دارند، می رسند، بنابراین مهندسی زیادی دارند و از نظر راه حل انعطاف پذیری چندانی ندارند. روباتیک و دستکاری رباتیک “SimPLE این مشکل را حل می کند و یک راه حل انتخاب و مکان ارائه می دهد که انعطاف پذیر است و همچنان دقت لازم را ارائه می دهد.”
جدید کاغذ توسط محققان MechE منتشر شده در مجله رباتیک علمی تصمیمات انتخاب و مکان را با دقت بیشتری بررسی می کند. ربات در انتخاب و مکان دقیق، که به عنوان کیت نیز شناخته می شود، آرایش بدون ساختار اشیاء را به یک آرایش سازمان یافته تبدیل می کند. این رویکرد که SimPLE (شبیه سازی برای انتخاب محلی سازی و مکان) نامیده می شود، به شما می آموزد که با استفاده از یک مدل طراحی به کمک کامپیوتر (CAD) از شی، اشیاء را انتخاب، انتخاب و قرار دهید، همه بدون تجربه قبلی یا برخورد با اشیاء خاص.
می‌گوید: «وعده SimPLE این است که ما می‌توانیم بسیاری از وظایف مختلف را با سخت‌افزار و نرم‌افزار یکسان، با استفاده از شبیه‌سازی برای یادگیری مدل‌هایی که با هر کار خاص تطبیق می‌دهند، حل کنیم». آلبرتو رودریگزمحقق مدعو در MIT که یکی از اعضای هیئت علمی سابق MechE و اکنون معاون مدیر تحقیقات دستکاری برای Boston Dynamics است. SimPLE توسط اعضای آزمایشگاه دستکاری و مکانیزم در MIT (MCube) به سرپرستی رودریگز توسعه داده شد.
رودریگز می‌گوید: «در این کار، ما نشان می‌دهیم که می‌توان به سطوح دقت موقعیتی مورد نیاز برای بسیاری از کارهای انتخاب و جابجایی صنعتی بدون تخصص دیگر دست یافت.
انتخاب و مکان با دقت: دانشجوی دکترای MIT Antonia Delores Bronars SM ’22 سیستم جدید SimPLE (شبیه سازی برای انتخاب محلی سازی و مکان E) را توصیف می کند.
ویدئو: جان فریدا/ گروه مهندسی مکانیک MIT
راه حل SimPLE با استفاده از یک ربات دو بازو مجهز به حس بصری-لمسی، از سه جزء اصلی استفاده می کند: درک با آگاهی از وظیفه، ادراک از طریق بینایی و لمس (ادراک بصری لمسی)، و برنامه ریزی مجدد درک. مشاهدات واقعی با مجموعه ای از مشاهدات شبیه سازی شده توسط یادگیری نظارت شده تطبیق داده می شوند تا بتوان توزیع پوزیشن های احتمالی اشیاء را تخمین زد و جایگذاری را انجام داد.
در آزمایشات، SimPLE با موفقیت توانایی انتخاب و قرار دادن اشیاء مختلف با طیف گسترده ای از اشکال را نشان داد و در 90 درصد مواقع برای 6 شی و بیش از 80 درصد مواقع برای 11 شی، به جایگذاری موفقی دست یافت.
درک شهودی در جامعه روباتیک وجود دارد که بینایی و لمس مفید هستند، اما [until now] آنتونیا دلورس برونارس SM ’22، دانشجوی دکترای مهندسی مکانیک، می‌گوید: «تظاهرات منظم زیادی مبنی بر اینکه چگونه می‌تواند برای کارهای پیچیده رباتیک مفید باشد، وجود نداشته است. برونارز که اکنون با پولکیت آگراوال، استادیار دپارتمان مهندسی برق و علوم کامپیوتر (EECS) کار می‌کند، کار دکترای خود را برای بررسی ترکیب توانایی‌های لمسی در سیستم‌های رباتیک دنبال می‌کند.
مت میسون، دانشمند ارشد در برکشایر گری و استاد بازنشسته در دانشگاه کارنگی ملون، که در این کار دخالتی نداشت، می‌گوید: «بیشتر کارهای مربوط به ادراک، وظایف پایین دستی را نادیده می‌گیرند. “این مقاله فراتر از میل به تقلید از انسان است و از نقطه نظر کاملاً کاربردی، مزایای ترکیب حس لامسه، بینایی، با دو دست را نشان می دهد.”
کن گلدبرگ، کرسی ممتاز مهندسی ویلیام اس. فلوید جونیور در دانشگاه کالیفرنیا برکلی، که او نیز در این مطالعه شرکت نداشت، می‌گوید که روش دستکاری ربات که در مقاله توضیح داده شد، جایگزین ارزشمندی برای گرایش به هوش مصنوعی و روش‌های یادگیری ماشینی است. .
گلدبرگ که همچنین یکی از بنیانگذاران و دانشمند ارشد Ambi است، گفت: نویسندگان الگوریتم های هندسی مستدلی را ترکیب می کنند که می توانند به طور قابل اعتمادی به دقت بالایی برای مجموعه خاصی از اشکال اشیاء دست یابند و نشان دهند که این ترکیب می تواند به طور قابل توجهی عملکرد را نسبت به روش های هوش مصنوعی بهبود بخشد. Robotics و Jacobi Robotics. “این می تواند بلافاصله در صنعت مفید باشد و نمونه بارز چیزی است که من “مهندسی قدیمی خوب” (GOFE) می نامم.”
Bauza و Bronars می گویند که این کار توسط چندین نسل از همکاری مطلع شده است.
برونارس می گوید: «برای اینکه واقعاً نشان دهیم که چگونه بینایی و لمس می توانند با هم مفید باشند، لازم است یک سیستم روباتیک کامل بسازیم، کاری که انجام آن به عنوان یک انسان مجرد در مدت زمان کوتاه بسیار دشوار است. «همکاری با یکدیگر و با نیکیل [Chavan-Dafle PhD ‘20] و ایفان [Hou PhD ’21 CMU]و در بسیاری از نسل‌ها و آزمایشگاه‌ها، واقعاً به ما امکان ساخت یک سیستم انتها به انتها را داد.»
