Búsqueda mecánica visual de RF — MIT Media Lab

1. Mapeo visual de RF:

FuseBot primero construye un mapa de ocupación probabilístico de la ubicación del elemento objetivo en la pila al fusionar la información de la cámara del robot y la antena de RF. Este componente localiza los RFID en la pila y aplica un núcleo de RF condicional (que reconoce la forma) para construir una máscara de probabilidad 3D negativa, como se muestra en las regiones rojas de la Fig. b.
Al combinar esta información con su observación visual de la geometría del pilote en 3D (que se muestra en la Fig. (c)), así como el conocimiento previo de la geometría del objeto objetivo, FuseBot crea una distribución de ocupación en 3D, que se muestra como un mapa de calor en la Fig. (d) , donde el rojo indica alta probabilidad y el azul indica baja probabilidad para la ubicación del elemento de destino.

2. RF-extracción visual:

Después de calcular la distribución de ocupación 3D, FuseBot necesita una política de extracción eficiente para recuperar el elemento de destino. La extracción es un proceso de varios pasos que implica la eliminación de elementos que ocluyen y la actualización iterativa del mapa de distribución de ocupación. Para optimizar este proceso, formulamos la extracción como un problema de minimización sobre el número esperado de acciones que tiene en cuenta la ganancia de información esperada, el éxito de comprensión esperado y el mapa de distribución de probabilidad. Para resolver este problema de manera eficiente, FuseBot realiza una segmentación de instancias basada en la profundidad, como se muestra en la Fig.e. La segmentación le permite integrar la distribución de ocupación 3D sobre cada uno de los segmentos del objeto e identificar la siguiente mejor comprensión óptima. FuseBot sigue ordenando el entorno hasta que se ve y se recupera el elemento de destino.

Leave a Reply

Your email address will not be published.

This site uses Akismet to reduce spam. Learn how your comment data is processed.