Исследователи разработали способ использования высокочастотных электромагнитных волн для визуализации объектов, скрытых от глаз, например, инструмента в куче хлама или вазы в картонной коробке, с гораздо большей точностью, чем раньше.
Эту технологию визуализации можно применять разными способами, в том числе снабдив складские роботы рентгеновским зрением, чтобы они могли выявлять поврежденные продукты на конвейерной ленте перед отправкой.
Вот краткое описание того, как работает эта технология. Сигналы mmWave — это сигналы миллиметровых волн — электромагнитные волны с частотами от 30 до 300 ГГц. Это тот же тип сигналов, который используется для доставки Wi-Fi, но с гораздо более высокими частотами и очень короткими длинами волн, что позволяет получать точные изображения с высоким разрешением. Такие волны могут проходить сквозь обычные препятствия, такие как пластиковые контейнеры или внутренние стены, и отражаться от объектов, чтобы обнаружить их.
Проблема в том, что существующая технология визуализации mmWave создает грубые 3D-реконструкции скрытых объектов, которые бесполезны для идентификации небольших объектов внутри коробки или контейнера, таких как инструменты или столовые приборы. Команда Массачусетского технологического института (MIT) считала, что может добиться большего с помощью своей системы mmNorm, которая опирается на свойство зеркальности для более высокой точности, вычисляя кривизну поверхности скрытого объекта с помощью mmWaves.
Прототип mmNorm, созданный с помощью роботизированной руки (вверху), с грубой 3D-реконструкцией, полученной с помощью других подходов, показанной синим цветом (посередине), и реконструкцией mmNorm фиолетовым цветом (справа). Изображения предоставлены исследователями
Сигналы mmWave отражаются от большинства объектов «зеркально» или «зеркально», то есть угол, под которым сигнал падает на поверхность, примерно равен углу, под которым он отражается. Из-за этого радар будет получать сильные отражения только от тех частей поверхности объекта, где нормаль поверхности («стрелка, направленная наружу») указывает прямо на радар. mmNorm использует эту прямую связь между отраженным сигналом и ориентацией поверхности в каждой точке трехмерного пространства.
Для определенной точки в трехмерном пространстве («вокселя») mmNorm учитывает все различные позиции радара, которые потенциально могут быть видны. Каждое местоположение радара фактически «голосует» за то, какой должна быть нормаль поверхности, основываясь на том, насколько сильно оно получило отражение от этой точки. Все эти взвешенные «голоса» геометрически суммируются для получения окончательной оценки нормали поверхности для этой точки, и процесс повторяется для каждой точки в этом трехмерном пространстве, чтобы реконструировать трехмерный объект более точно, чем предыдущие методы.
Исследователи создали прототип mmNorm, прикрепив радар mmWave к роботизированной руке, и протестировали его способность к 3D-реконструкции с более чем 60 повседневными предметами, такими как кружки, кухонные принадлежности и электроинструменты. Технология команды генерировала реконструкции примерно с 40% меньшей ошибкой, чем аналогичные системы, а также точнее оценивала положение скрытого объекта и работала с предметами, изготовленными из различных материалов. Вы можете увидеть это в действии ниже.
Реконструкция скрытых объектов с помощью беспроводных сигналов
Исследователи с нетерпением ждут, какие возможности эта система может открыть в робототехнике в различных отраслях:
- Складские боты могут отбраковывать поврежденные или неправильно упакованные товары перед их отправкой клиентам.
- Роботы на фабриках могли бы выбирать определенные инструменты из разбросанной кучи, чтобы использовать их для выполнения задачи или передать их человеку.
- Гарнитуры дополненной реальности смогут обнаруживать объекты, скрытые стенами в промышленных помещениях.
- Сканеры безопасности в аэропортах смогут точнее идентифицировать предметы в багаже пассажиров.
Команда планирует развивать свою технологию дальше, чтобы улучшить разрешение 3D-реконструкции, лучше работать с менее отражающими объектами и более толстыми окклюзиями. Вы можете найти статью, подробно описывающую mmNorm, здесь (PDF).
