借助电子标签，这款机器人能帮你找到藏在脏衣服下的钥匙，MIT研发，成功率96%

七天小长假结束，又要从悠哉悠哉的旅游生活转换到千篇一律的“搬砖”节奏了。

时隔七天再次回到家，你还记得公司门卡放在哪里了吗？

这样的情况是不是已经发生太多次了，不知道有多少人和文摘菌一样，这时候只想给那些找不到的东西打通电话，最好它们能发个定位，或者乖乖回到我手里。

别急，文摘菌今天就来给大家介绍能够解决这个生活难题的技术。

最近MIT的研究人员就开发出了这么一种机器人，搭载了摄像头和射频天线的机械手臂能够识别带有特定标签的物体，比如每天都要丢一次的钥匙，而且系统的成功率高达96%，这还考虑到了要在一堆脏衣服中找到一把钥匙的情况。

MIT副教授Fadel Adib表示：“能够在杂物中找到特定的物品，是我们多年来一直在研究的悬而未决的问题。”

“当然这也逐渐成为了一项日益增长的需求。”

研究人员表示，未来该系统还可以帮助整理成堆的物品，完成仓库中的订单、识别和安装汽车制造厂的组件，或者帮助老人在家中执行日常任务。

论文链接如下，感兴趣的同学可别错过了：

论文链接： https://www.mit.edu/~fadel/papers/RFusion-paper.pdf

使用RFID标签，系统能逐步锁定目标物体

其实，如果用大白话来讲，这项技术的工作原理就是使用天线搜索物体。

不过这个天线会从一个微小的射频识别 (RFID) 标签反射信号，该标签可以附着在物品上，以防丢失。

先给大家插播一下RFID标签。

可以看到，这种标签与条形码非常相似，都可用于快速识别物体，但RFID标签可以存储的数据比条形码更多。比如，通过条形码，你可以识别商品，但RFID标签还可以告诉你商品的制作日期和地点。

RFID标签现在已经被广泛用于护照、图书馆书籍和非接触式卡上，同时在伦敦，超过1000万人支付公共交通费用的 Oyster系统中也能找到RFID标签。除此之外，航空公司也会利用该系统来跟踪行李以防止盗窃。

之所以选择RFID标签，是因为天线和标签之间的射频信号可以穿过大多数表面，包括一堆可能盖住的脏衣服。

一旦天线与RFID标签成功通信，它就会识别出标签所在的球形区域。机器人随后就可以将这个区域与其相机的输入相结合，缩小物体的位置，然后将手臂对准物体，最终抓住物品，并验证该物体是否是目标物体。

除此之外，研究人员还使用强化学习训练了一个神经网络，用于优化机器人到物体的轨迹。

在强化学习中，算法通过反复试验和奖励系统进行训练。

“这也是我们大脑的学习方式。我们从老师、父母、电脑游戏那里得到奖励，从而激励大脑的学习过程，这也发生在强化学习当中。”Tara Boroushaki说。

“我们经常故意让系统犯错或做正确的事情，然后施以相应的惩罚或奖励。通过这种方式，系统就能学会一些很难建模的东西。”

研究人员在多种不同的环境中测试了RFusion，包括将钥匙链藏在一个杂乱无章的盒子里，将遥控器藏在沙发上的一堆物品下面。

他们发现，即使是检索完全隐藏在一堆物体下的某个特定物体时，系统的成功率为96%。

“如果只依赖射频测量，就会有一个异常值，如果只依赖视觉，有时会出现来自相机的错误。”“但如果你把二者结合起来，它们就会互相纠正。这就是系统如此强大的原因。”Boroushaki总结到。

未来，研究人员希望提高系统的速度，使其能够平稳移动，而不是定期停下来进行测量。这将使RFusion能够部署在快节奏的制造或仓库环境中。

除了其潜在的工业用途外，该系统甚至可以被纳入未来的智能家居，以帮助人们完成任何数量的家务。

这类技术也早已有先例。

去年，CMU和FAIR合作开发了一款语义导航系统SemExp，可以利用常识来进行导航和执行寻物任务。

如果SemExp事先知道一些物体的位置，比如沙发在客厅，冰箱在厨房，系统会在寻找沙发或冰箱时会更有效率，即使系统对整个环境是完全陌生的。也就是说，SemExp使用的是类似于人类常识的知识在寻找东西。

CMU机器学习系博士生Devendra S. Chaplot表示，该系统利用语义洞察力来确定寻找特定物体的最佳位置。一旦决定要去哪里，就可以使用经典规划方法来达到目标。

事实证明，这种模块化方法在很多方面卓有成效。SemExp的学习过程专注于目标与房间布局之间的关系，随后系统能应用语义推理确定最有效的搜索策略，再应用导航规划到达目的地。

在日本，东京大学信息与机器人技术研究中心研发的一款机器人，外形像极了一位老奶奶。

机器人搭载了广角镜头和图像识别软件，可以监测固定地点并记录物品的位置。比如，你要吃药的时候，系统不仅可以告诉你药的位置，还能检测吃药的次数，如果你尝试吃第二次，它就会发出提醒。

哪里有需求，哪里就有创新。

希望这样的能帮助我们找东西的机器人能够尽快商业化呀！

本文来自微信公众号 “大数据文摘”（ID：BigDataDigest），作者：Caleb，36氪经授权发布。