Volgens een onderzoek van het U.S. Census Bureau, ongeveer 12,3 miljoen Amerikanen hebben hulp nodig bij activiteiten van het dagelijks leven (ADL's) of instrumentele activiteiten van het dagelijks leven (IADL's), waarvan er één voedt. Robots kunnen een grote hulp zijn voor mensen met ernstige handicaps, waardoor ze maaltijden kunnen eten en andere dagelijkse taken kunnen uitvoeren zonder afhankelijk te zijn van constante hulp van andere mensen.

Met dit in gedachten, een team van onderzoekers onder leiding van prof. Siddhartha Srinivasa van het Personal Robotics Lab van de Universiteit van Washington heeft geprobeerd een robotgeassisteerd voersysteem te ontwikkelen dat automatisch voedsel van borden kan oppakken en aan menselijke gebruikers kan voeren. In een recent artikel dat vooraf is gepubliceerd op arXiv, de onderzoekers introduceerden een beetverwervingskader dat is ontworpen om redelijke "hapjes" voedsel van een bord of kom te berekenen en te verkrijgen.

"Als laboratorium we zijn gepassioneerd over het ontwikkelen van robots die mensen kunnen helpen in hun dagelijks leven, " Tapomayukh Bhattacharjee, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. “Door dit project we willen robots ontwikkelen die mensen autonoom kunnen voeden. Om mensen een grote verscheidenheid aan etenswaren te geven, een robot moet in staat zijn om voorheen ongeziene voedselproducten te verwerven. In deze krant, we richten ons op het probleem van het bijten van voorheen ongeziene voedselproducten."

Een belangrijke uitdaging bij het ontwikkelen van robotondersteunde voersystemen is ervoor te zorgen dat deze robots alle soorten voedsel die ze tegenkomen, effectief kunnen opnemen. Dit kan moeilijk te bereiken zijn, aangezien verschillende voedingsmiddelen verschillende fysieke eigenschappen hebben en dus verschillende acquisitiestrategieën vereisen. Ideaal, een robotgeassisteerd voersysteem moet elk voedsel op een bord kunnen oppakken, zelfs als hij het nog nooit eerder is tegengekomen.

Om beter te begrijpen welke acquisitiestrategieën het beste werken voor bepaalde soorten voedsel, Bhattacharjee en zijn collega's verzamelden gegevens van 2450 proeven met het verwerven van robotbeten met 16 voedingsmiddelen met verschillende eigenschappen. Toen ze deze gegevens analyseerden, ze realiseerden zich dat items met vergelijkbare fysieke eigenschappen vergelijkbare succespercentages voor acquisities vertonen, wat het gemakkelijker maakt om een ​​acquisitiestrategie te generaliseren naar voorheen ongeziene items. Hun analyses gaven ook inzicht in hoe andere factoren (bijvoorbeeld de omgeving van het voedsel, vorksteek, vork hoek, enz.) kan van invloed zijn op het succes van een robot bij het oppakken van een hap voedsel van een bord.

Op basis van deze observaties, de onderzoekers ontwikkelden een bijtacquisitiekader dat gebruik maakt van twee verschillende neurale netwerken in een hiërarchische structuur. Het eerste netwerk, genaamd RetinaNet, analyseert volledige plaatafbeeldingen met verschillende soorten voedsel en voert vervolgens begrenzingskaders uit rond individuele items. Het tweede netwerk, SPANet, gebruikt deze begrenzingsvakken om de succeskans voor verschillende beetverwervingsacties en de spiesas voor elk voedselproduct te berekenen.

"Om de kans op succes uit te voeren, SPANet gebruikt ook functies die verband houden met de omgeving van een voedingsmiddel, omdat we ontdekten dat de omgeving van invloed is op de keuze van acties van een robot en op het slagingspercentage, " Bhattacharjee legde uit. "Om de omgevingsfuncties te coderen, we hebben een omgevingsclassificatie ontwikkeld die items identificeert als zijnde in een van de drie omgevingen:geïsoleerd, in de buurt van een bordrand of een ander voedselproduct, of bovenop andere etenswaren."

De onderzoekers pasten hun raamwerk toe op een JACO-robotarm en evalueerden de prestaties ervan in een reeks experimenten op overzichtelijke en rommelige borden met verschillende voedselproducten. Deze tests leverden veelbelovende resultaten op, met hun methode het succesvol generaliseren van spiesstrategieën over voorheen ongeziene voedselproducten.

"Ons netwerk, SPANet, zou de acties met succes kunnen generaliseren naar voorheen ongeziene voedselproducten met vergelijkbare verdelingen van bijtacquisitieacties, " zei Bhattacharjee. "Praktisch, dit betekent dat bij een nieuw voedselproduct dat de robot nog niet eerder heeft gezien, ons netwerk zou moeten kunnen afleiden hoe het met succes van een bord/kom kan worden verkregen als het nieuwe voedselproduct door soortgelijke acties kan worden verkregen."

In de toekomst, het door Bhattacharjee en zijn collega's ontwikkelde beetverwervingskader zou kunnen helpen bij de ontwikkeling van efficiëntere, door robots ondersteunde voersystemen. In de tussentijd, de onderzoekers zijn van plan om de beetverwervingsacties van hun aanpak uit te breiden, omdat robots die door hun frame worden aangedreven, hierdoor een nog grotere verscheidenheid aan voedsel kunnen oppikken, inclusief items zoals rijst en aardappelpuree.

"We zijn ook geïnteresseerd in het onderzoeken van manieren om voorheen onzichtbare voedselproducten te verwerven die heel andere acties vereisen om ze op te pakken in vergelijking met wat de robot eerder heeft gezien, ' zei Bhattacharjee.

© 2019 Wetenschap X Netwerk