Prototipe RFusion yang dikembangkan para peneliti bergantung pada tag RFID, yang cukup murah dan mudah ditemukan, tag ini adalah benda tanpa baterai yang dapat ditempelkan pada benda apapun dan memantulkan sinyal yang dikirim oleh antena. Karena sinyal RF dapat melewati sebagian besar permukaan (seperti gundukan cucian kotor yang mungkin menutupi kunci), RFusion dapat menemukan benda yang telah ditandai di dalam tumpukan.
“Gagasan untuk dapat menemukan item di dunia yang kacau ini adalah masalah serius yang telah kami kerjakan selama beberapa tahun. Memiliki robot yang mampu mencari hal-hal di bawah tumpukan adalah kebutuhan yang berkembang di industri saat ini. Saat ini, Anda dapat menganggap ini sebagai Roomba pada steroid, tetapi dalam waktu dekat, ini dapat memiliki banyak aplikasi di lingkungan manufaktur dan gudang, ”kata penulis senior Fadel Adib, profesor di Departemen Teknik Elektro dan Komputer Sains dan direktur grup Signal Kinetics di MIT Media Lab.
Meskipun menemukan kunci yang hilang sangat membantu, RFusion dapat memiliki banyak aplikasi yang lebih luas di masa mendatang, seperti memilah-milah tumpukan untuk memenuhi pesanan di gudang, mengidentifikasi dan memasang komponen di pabrik manufaktur mobil, atau membantu individu lanjut usia melakukan tugas sehari-hari di rumah, meskipun prototipe saat ini belum cukup cepat untuk penggunaan ini.
Baca Juga: Robot Penjelajah Curiosity Menemukan 'Kadal' Batu di Planet Mars
Mengirim sinyal
RFusion mulai mencari objek menggunakan antenanya, yang memantulkan sinyal dari tag RFID (seperti sinar matahari yang dipantulkan dari cermin) untuk mengidentifikasi area pantulan di mana tag berada. Ini menggabungkan pantulan itu dengan input kamera, yang memungkinkan untuk mempersempit lokasi objek. Misalnya, item tidak dapat ditempatkan di area tabel yang kosong.
Tetapi begitu robot memiliki gagasan umum tentang di mana benda itu berada, ia perlu mengayunkan lengannya secara luas di sekitar ruangan untuk melakukan pengukuran tambahan untuk menemukan lokasi yang tepat, sayangnya gerak lengan robot itu lambat dan tidak efisien.
Para peneliti menggunakan pembelajaran penguatan untuk melatih jaringan saraf yang dapat mengoptimalkan lintasan robot ke objek. Dalam pembelajaran penguatan, algoritma dilatih melalui uji coba dengan sistem penghadiahan.
“Ini juga cara otak kita belajar. Kita akan mendapatkan penghargaan dari guru, dari orang tua, dari permainan komputer, dll. Hal yang sama terjadi dalam pembelajaran penguatan. Kami membiarkan algoritma membuat kesalahan atau melakukan sesuatu dengan benar dan kemudian kami menghukum atau memberi penghargaan kepada jaringan. Beginilah cara jaringan mempelajari sesuatu yang sangat sulit untuk dimodelkan,” jelas Boroushaki.
Dalam kasus RFusion, algoritme pengoptimalan dihadiahi ketika membatasi jumlah gerakan yang harus dilakukan untuk melokalisasi item dan jarak yang harus ditempuh untuk mengambilnya.
Setelah sistem mengidentifikasi tempat yang tepat, jaringan saraf menggunakan gabungan RF dan informasi visual untuk memprediksi bagaimana lengan robot harus menggenggam objek, termasuk sudut tangan dan lebar gripper, dan apakah harus melepas item lain terlebih dahulu. Robot itu juga memindai tag item untuk terakhir kalinya untuk memastikan dia telah mengambil objek yang tepat.
Baca Juga: Eva, Robot Kecerdasan Buatan yang Dapat Meniru Ekspresi Wajah Manusia