El comercio electrónico continúa expandiéndose y alcanzó nuevos niveles durante la reciente temporada navideña. Para cumplir rápidamente con el enorme volumen y la variedad de pedidos, compañías como Amazon, Walmart y Alibaba están invirtiendo fuertemente en nuevos almacenes. Para abordar la escasez detrabajadores, muchas compañías están considerando los robots. Sin embargo, comprender de manera confiable una amplia gama de productos sigue siendo un gran desafío para la robótica.
En un artículo publicado el miércoles 16 de enero en Ciencia Robótica , los ingenieros de la Universidad de California, Berkeley presentan un enfoque novedoso y "ambidiestro" para captar una amplia gama de formas de objetos sin capacitación.
"Cualquier pinza individual no puede manejar todos los objetos", dijo Jeff Mahler, investigador postdoctoral en UC Berkeley y autor principal del artículo. "Por ejemplo, una ventosa no puede crear un sello en objetos porosos como la ropa y la mandíbula paralelaes posible que las pinzas no puedan alcanzar ambos lados de algunas herramientas y juguetes "
Mahler trabaja en el laboratorio de Ken Goldberg, profesor de UC Berkeley con nombramientos conjuntos en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación y el Departamento de Ingeniería Industrial e Investigación de Operaciones.
Los sistemas robóticos utilizados en la mayoría de los centros de cumplimiento de comercio electrónico se basan en pinzas de succión que pueden limitar el alcance de los objetos que pueden agarrar. El documento de UC Berkeley presenta un enfoque "ambidiestro" que es compatible con una variedad de tipos de pinzas.se basa en una "función de recompensa" común para cada tipo de pinza que cuantifica la probabilidad de que cada pinza tenga éxito. Esto permite que el sistema decida rápidamente qué pinza usar para cada situación. Para calcular efectivamente una función de recompensa para cada tipo de pinza, elEl artículo describe un proceso para aprender las funciones de recompensa mediante la capacitación en grandes conjuntos de datos sintéticos generados rápidamente utilizando la aleatorización de dominios estructurados y modelos analíticos de sensores y la física y la geometría de cada pinza.
Cuando los investigadores entrenaron funciones de recompensa para una pinza de mandíbula paralela y una pinza de ventosa en un robot de dos brazos, descubrieron que su sistema despejó contenedores con hasta 25 objetos nunca vistos a una velocidad de más de 300 selecciones por hora con95 por ciento de fiabilidad.
"Cuando está en un almacén armando paquetes para la entrega, los objetos varían considerablemente", dijo Goldberg. "Necesitamos una variedad de pinzas para manejar una variedad de objetos".
La investigación para este trabajo se realizó en el Laboratorio de Ciencias e Ingeniería de Automatización de UC Berkeley AUTOLAB en afiliación con el Laboratorio de Investigación de IA de Berkeley BAIR, el Laboratorio de Ejecución Inteligente Segura en Tiempo Real RISE y el "Pueblo de CITRIS"y Robots "CPAR Iniciativa.
Fuente de la historia :
Materiales proporcionados por Universidad de California - Berkeley . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :