اتوبگ چیست؟

اتوبگ: آموزش باز کردن کیسه های پلاستیکی و قرار دادن اشیاء

کیسه های پلاستیکی نازک در همه جا در فروشگاه های خرده فروشی، لوازم بهداشتی، حمل و نقل مواد غذایی، بازیافت، خانه ها و سالن های غذاخوری مدرسه وجود دارند. این کیسه های پلاستیکی درک (به دلیل گمانه زنی ها و محدودیت ها) و تغییرات (به دلیل ساختار دینامیک سه بعدی قابل تغییر شکل آنها) را به چالش می کشانند. در اینجا ما به تفسیر "کیسه بندی" می پردازیم: دستکاری کیسه های خریدهای پلاستیکی دو دسته از حالت اولیه ساختارنیافته به حالت باز که در آن حداقل یک جسم جامد می تواند داخل کیسه قرار داده شده و بلند شود. ما یک چارچوب یادگیری خودنظارتی را پیشنهاد می کنیم که در آن یک ربات دو بازو دسته و لبه کیسه های پلاستیکی را با استفاده از علائم فلورسنت UV تشخیص می دهد؛ در زمان اجرا، ربات از علائم یا نور UV استفاده نمی کند. ما الگوریتم اتوبگ را پیشنهاد می کنیم که در این الگوریتم ربات از مدل ادراک آموخته شده برای باز کردن کیسه پلاستیکی ازطریق دستکاری تکراری استفاده می کند. ما در اینجا از معیارهای نوین برای ارزیابی کیفیت وضعیت کیسه و فاکتورهای حرکتی جدید به منظور تغییر جهت و باز کردن کیسه ها براساس مشاهدات بصری کمک می گیریم. در آزمایشات فیزیکی، ربات YuMi با استفاده از الگوریتم اتوبگ قادر به باز کردن کیسه ها است و از نظر قرار دادن اجسام در داخل کیسه ها نیز براساس به موفقیت 16/30 رسیده است.

باز کردن کیسه های پلاستیکی نازک و سپس قرار دادن اجسام در آنها برای حمل مناسب یک مهارت مفید در حرفه هایی مانند خواربار فروشی، نظافت، بازیافت و بسته بندی به شمار می رود. با این حال، انجام این کار برای ربات‌ها بسیار دشوار است. دستکاری و تغییر اجسام نازک قابل تغییرشکل به دلیل دارا بودن حالت بدون ابعادی و دینامیک‌های غیرخطی چالش برانگیز است و درحالی که بسیاری از مطالعات قبلی بر دستکاری و تغییر اجسام قابل تغییر شکل متمرکز بوده اند، در حال حاضر بیشترین تمرکز بر روی اجسام خطی تک بعدی مانند طناب ها، کابل ها، و پرتوهای الاستیک، یا اجسام دوبعدی مانند پارچه، گاز و کاغذ است. ساختار سه بعدی و مواد الاستوپلاستیک پلاستیک به کار رفته در کیسه های پلاستیکی چالش های متعددی را به همراه دارند. چنین کیسه هایی وزن بسیار سبکی دارند و کیسه های یک دستگره ای اغلب منجر به جابجایی کل کیسه بدون تغییر زیادی در باز کردن آن می شوند. بنابراین، باز کردن یک کیسه پلاستیکی نازک به هماهنگی بین چندین عامل نیاز دارد. علاوه براین، بسیاری از کیسه های پلاستیکی بازتابنده، نیمه شفاف و یا شفاف این میزان ادراک را به چالش می کشند. در این مقاله، ما "کیسه بندی" را فرموله می کنیم؛ دستکاری کیسه پلاستیکی از حالت اولیه ساختارنیافته به طوری که یک ربات بتواند آن را باز کند، اجسام جامد را در آن قرار دهد و سپس آن را بلند کرده و حمل کند. در اینجا از تصاویر RGB بالای سر برای بررسی میزان ادراک در یک ربات دو دست استفاده می کنیم. ما یک خط لوله جدید برای بسته بندی ابداع کردیم که از یک مدل ادراک برای تقسیم بندی لبه و دسته کیسه ازطریق جمع آوری داده های خودنظارتی استفاده می کند. همان طور که در شکل زیر آمده است، این ربات به طور سیستماتیک وضعیت فضای کیسه را با دستکاری کیسه ازطریق لیبل های اشعه ماوراء بنفش UV بررسی می کند.

شکل 1:

در زمان آزمایش، از مدل بخش ‌بندی آموخته ‌شده روی کیسه های بدون برچسب UV استفاده کرده و نحوه باز کردن کیسه ها با استفاده از معیارهای جدید را مورد ارزیابی قرار دادیم. به طور کلی، در اینجا یک الگوریتم جدید به نام اتوبگ برای باز کردن و قرار دادن اقلام در داخل کیسه ها معرفی می کنیم.

نتایج و محدودیت ها

نتایج حاصل از بررسی کیسه ها در 6 مرحله در جدول زیر ارائه شده است.

جدول 1:

نتایج به دست آمده نشان می دهد که میزان موفقیت در الگوریتم اتوبگ پیشنهادی با نرخ 3/6، 2/6 و 6/1 در سه مرحله برابر با n=1 بوده و عملکرد بهتری از اصول مبنا و فرسایش در تمام معیارها مشاهده شده است. موفقیت پایین ABP در باز کردن کیسه نشان می دهد که ماژول ادراک برای تعیین اینکه آیا کیسه واقعا باز شده است یا خیر و همچنین برای قرار دادن گیره داخل دهانه برای Dilate بسیار مهم است. تنها با استفاده از متریک سطح دهانه کیسه موفقیت خوبی با نرخ n≥1 به دست می آید اما در قرار دادن دو جسم در داخل کیسه موفقیتی حاصل نشد. به عبارت دیگر، این الگوریتم تنها با استفاده از متریک ازدیاد طول تضمین می کند که دهانه کیسه گرد است اما تضمین نمی کند که دهانه به اندازه کافی بزرگ باشد. برای قرار دادن اقلام نیز چالش اصلی درکِ لایه بالایی به منظور ایجاد یک دهانه جانبی است. به این نتیجه رسیدیم که کیسه ها اغلب دارای یک یا دو گیره هستند و این فضای بین دو لایه را کاهش می دهد. دلیل اصلی عدم موفقیت در اصول پایۀ "دسته ها" این است که کیسه به محض اینکه یکی از گیره های دسته را رها کنیم یا جسمی در داخل آن قرار گیرد، فرو می ریزد یا دهانه بسته می شود به طوری که ربات نمی تواند و فضای کافی ندارد که اقلام را داخل کیسه جای دهد. در مرحله آزمایش کیسه، آزمایشاتی را روی ردیف های 1 و 2 به دلیل چالشِ درکِ کیسه مورد آزمایش انجام دادیم. نتایج حاصل از این آزمایش در جدول زیر ارائه شده و نشان می دهد که الگوریتم اتوبگ می تواند به موفقیت های نسبی 4/6 و 3/6 دست پیدا کند.

جدول 2:

در اینجا، ما حالت های عدم موفقیت اتوبگ را به طور خلاصه بیان می کنیم:

الف) تعداد آزمایشات به حداکثر حد مجاز (38 درصد) می رسد.

ب) کیسه از فضای کار خارج می شود (3 درصد)

پ) اجسام در داخل دهانه قرار نمی گیرند (13 درصد)

ج) اجسام هنگام بلند کردن کیسه بیرون می افتند (23 درصد)

د) عدم موفقیت در بلند کردن کیسه (23 درصد)

حالت اول اغلب به دلیل بی ثباتی در پیش بینی مدل ادراک، به ویژه در تنظیمات کیسه پیچیده و مرزهای تصمیم گیری، منجر به اقدامات نامناسب و یا ناکارآمد می شود. حالت دوم به دلیل برنامه ریزی در حرکت بازوی ربات رخ می دهد. حالت سوم نیز به دلیل عدم دقت در تشخیص، به ویژه در کیسه آزمایش مشاهده نشده اتفاق می افتد. حالت چهارم به دلیل موقعیت غیر ایده آل گیره در بلند کردن یک گلوگاه بزرگ برای دستیابی به موفقیت کامل به شمار می رود. درنهایت، حالت آخر ناشی از لیز خوردن گیره ها است.

در این مقاله، ما یک مسئله و الگوی جدید به نام اتوبگ را برای باز کردن کیسه پلاستیکی نازک و قرار دادن اقلام در آن پیشنهاد می کنیم. در پژوهش های آینده، تکنیک های دستکاری بهتر را با هدف افزایش نرخ موفقیت و سرعت اتوبگ مورد بررسی قرار خواهیم داد.