Rutgers datavetare använde artificiell intelligens för att styra en robotarm som ger ett mer effektivt sätt att packa lådor, sparar tid och pengar för företag.

"Vi kan uppnå låga kostnader, automatiserade lösningar som är lätta att implementera. Nyckeln är att göra minimala men effektiva hårdvaruval och fokusera på robusta algoritmer och mjukvara, " sa studiens seniorförfattare Kostas Bekris, en docent vid institutionen för datavetenskap vid School of Arts and Sciences vid Rutgers University-New Brunswick.

Bekris, Abdeslam Boularias och Jingjin Yu, båda biträdande professorer i datavetenskap, bildade ett team för att hantera flera aspekter av robotförpackningsproblemet på ett integrerat sätt genom hårdvara, 3D-perception och robust rörelse.

Forskarnas peer-reviewed studie publicerades nyligen vid IEEE International Conference on Robotics and Automation, där det var finalist för Best Paper Award in Automation. Studien sammanfaller med den växande trenden att använda robotar för att utföra logistik, detaljhandel och lageruppdrag. Framstegen inom robotik accelererar i en aldrig tidigare skådad takt på grund av maskininlärningsalgoritmer som möjliggör kontinuerliga experiment.

Den här videon visar en Kuka-robotarm som tätt packar föremål från en papperskorg till en fraktorderlåda (fem gånger den faktiska hastigheten):

Att tätt packa produkter plockade från en oorganiserad hög förblir till stor del en manuell uppgift, även om det är avgörande för lagereffektiviteten. Att automatisera sådana uppgifter är viktigt för företagens konkurrenskraft och gör att människor kan fokusera på mindre snålt och fysiskt belastande arbete, enligt Rutgers forskargrupp.

Rutgers-studien fokuserade på att placera föremål från en soptunna i en liten fraktlåda och ordna dem tätt. Detta är en svårare uppgift för en robot jämfört med att bara plocka upp ett föremål och släppa det i en låda.

Forskarna utvecklade mjukvara och algoritmer för sin robotarm. De använde visuella data och en enkel sugkopp, som fungerar som ett finger för att skjuta föremål. Det resulterande systemet kan välta föremål för att få en önskvärd yta för att greppa dem. Vidare, den använder sensordata för att dra objekt mot ett målområde och trycka ihop objekt. Under dessa operationer, den använder realtidsövervakning för att upptäcka och undvika potentiella fel.

Eftersom studien fokuserade på att packa kubformade föremål, ett nästa steg skulle vara att utforska packningsobjekt av olika former och storlekar. Ett annat steg skulle vara att utforska automatisk inlärning av robotsystemet efter att det har fått en specifik uppgift.