Enligt en undersökning från U.S. Census Bureau, cirka 12,3 miljoner amerikaner behöver hjälp med aktiviteter i det dagliga livet (ADL) eller instrumentella aktiviteter i det dagliga livet (IADL), varav en är matning. Robotar kan vara till stor hjälp för människor som drabbats av allvarliga funktionshinder, låta dem äta måltider och utföra andra dagliga sysslor utan att förlita sig på konstant hjälp från andra människor.

Med detta i åtanke, ett team av forskare ledda av Prof. Siddhartha Srinivasa vid University of Washingtons Personal Robotics Lab har försökt utveckla ett robotassisterat matningssystem som automatiskt kan plocka upp mat från tallrikar och mata den till mänskliga användare. I en nyligen förpublicerad tidning på arXiv, forskarna introducerade ett ramverk för insamling av bett utformat för att beräkna och uppnå rimliga "bites" av mat från en tallrik eller skål.

"Som ett labb, vi brinner för att utveckla robotar som kan hjälpa människor i deras dagliga liv, "Tapomayukh Bhattacharjee, en av forskarna som genomförde studien, berättade för TechXplore. "Genom detta projekt, vi vill utveckla robotar som kan mata människor självständigt. För att mata människor med en mängd olika livsmedel, en robot måste ha förmågan att skaffa tidigare osynliga matvaror. I det här pappret, vi fokuserar på problemet med bett förvärv av tidigare osynliga livsmedel."

En viktig utmaning när man utvecklar robotassisterade utfodringssystem är att se till att dessa robotar effektivt kan plocka upp alla typer av mat de möter. Detta kan vara svårt att uppnå, eftersom olika livsmedel har en mängd olika fysiska egenskaper och därför kräver olika förvärvsstrategier. Helst ett robotassisterat matningssystem ska kunna plocka upp vilken mat som helst på en tallrik, även om den aldrig har stött på det förut.

För att bättre förstå vilka förvärvsstrategier som fungerar bäst för vissa typer av mat, Bhattacharjee och hans kollegor samlade in data från 2450 försök med robotbett med hjälp av 16 livsmedel med varierande egenskaper. När de analyserade denna data, de insåg att föremål med liknande fysiska egenskaper uppvisar liknande framgångsfrekvenser för förvärv, vilket gör det lättare att generalisera en förvärvsstrategi till tidigare osynliga föremål. Deras analyser gav också insikt i hur andra faktorer (t.ex. miljön kring maten, gaffelhöjd, gaffelvinkel, etc.) kan påverka en robots framgång med att plocka upp en bit mat från en tallrik.

Baserat på dessa observationer, forskarna utvecklade ett ramverk för bettförvärv som använder två distinkta neurala nätverk i en hierarkisk struktur. Det första nätverket, kallas RetinaNet, analyserar fulla tallrikbilder som innehåller olika typer av mat och matar sedan ut begränsningsrutor runt enskilda föremål. Det andra nätverket, SPANet, använder dessa begränsningsrutor för att beräkna framgångssannolikheten för olika bettupptagningsåtgärder och spettaxeln för varje matvara.

"För att visa framgångssannolikheten, SPANet använder också funktioner relaterade till den omgivande miljön för ett livsmedel, eftersom vi fann att den omgivande miljön påverkar en robots val av åtgärder såväl som framgångsfrekvensen, " Bhattacharjee förklarade. "För att koda miljöfunktionerna, vi utvecklade en miljöklassificerare som identifierar objekt som i en av tre miljöer:isolerade, nära en tallrikkant eller annan matvara, eller ovanpå andra livsmedel."

Forskarna tillämpade sitt ramverk på en JACO-robotarm och utvärderade dess prestanda i en serie experiment på stökiga och röriga tallrikar som innehåller olika matvaror. Dessa tester gav mycket lovande resultat, med deras metod som framgångsrikt generaliserar spettstrategier över tidigare osynliga matvaror.

"Vårt nätverk, SPANet, skulle framgångsrikt kunna generalisera åtgärderna till tidigare osynliga matvaror med liknande fördelningar av bettupptagningsåtgärder, " sa Bhattacharjee. "Praktiskt sett, detta betyder att givet en ny matvara som roboten inte har sett förut, vårt nätverk borde kunna sluta sig till hur man skaffar det framgångsrikt från en tallrik/skål om den nya matvaran kan förvärvas genom liknande åtgärder."

I framtiden, ramverket för bettupptagning som utvecklats av Bhattacharjee och hans kollegor kan hjälpa till med utvecklingen av mer effektiva robotassisterade utfodringssystem. Under tiden, forskarna planerar att utöka sitt tillvägagångssätts bettupptagningsåtgärder, eftersom detta skulle tillåta robotar som drivs av deras ramverk att plocka upp ett ännu bredare utbud av mat, inklusive saker som ris och potatismos.

"Vi är också intresserade av att utforska sätt att skaffa tidigare osynliga livsmedel som kräver mycket olika åtgärder för att plocka upp dem jämfört med vad roboten har sett tidigare, " sa Bhattacharjee.

© 2019 Science X Network