Secondo un sondaggio pubblicato dall'U.S. Census Bureau, circa 12,3 milioni di americani richiedono assistenza per le attività della vita quotidiana (ADL) o le attività strumentali della vita quotidiana (IADL), uno dei quali sta alimentando. I robot potrebbero essere di grande aiuto alle persone affette da gravi disabilità, permettendo loro di consumare i pasti e completare altre attività quotidiane senza fare affidamento sull'assistenza costante di altri esseri umani.

Con questo in testa, un team di ricercatori guidato dal Prof. Siddhartha Srinivasa presso il Personal Robotics Lab dell'Università di Washington ha cercato di sviluppare un sistema di alimentazione assistita da robot in grado di prelevare automaticamente il cibo dai piatti e darlo agli utenti umani. In un recente articolo pre-pubblicato su arXiv, i ricercatori hanno introdotto un framework di acquisizione del morso progettato per calcolare e ottenere "morsi" ragionevoli di cibo da un piatto o da una ciotola.

"Come laboratorio, siamo appassionati nello sviluppo di robot in grado di assistere le persone nella loro vita quotidiana, " Tapomayukh Bhattacharjee, uno dei ricercatori che ha condotto lo studio, ha detto a TechXplore. "Attraverso questo progetto, vogliamo sviluppare robot in grado di nutrire le persone in modo autonomo. Per nutrire le persone con un'ampia varietà di prodotti alimentari, un robot deve avere la capacità di acquisire prodotti alimentari mai visti prima. In questo documento, ci concentriamo sul problema dell'acquisizione di morsi di alimenti mai visti prima".

Una sfida chiave nello sviluppo di sistemi di alimentazione assistita da robot è garantire che questi robot possano raccogliere efficacemente tutti i tipi di cibo che incontrano. Questo può essere difficile da raggiungere, poiché diversi prodotti alimentari hanno una varietà di proprietà fisiche e quindi richiedono strategie di acquisizione diverse. Idealmente, un sistema di alimentazione assistito da robot dovrebbe essere in grado di raccogliere qualsiasi alimento su un piatto, anche se non l'ha mai incontrato prima.

Per capire meglio quali strategie di acquisizione funzionano meglio per particolari tipi di cibo, Bhattacharjee e i suoi colleghi hanno raccolto dati da 2450 prove di acquisizione di morsi di robot utilizzando 16 prodotti alimentari con proprietà diverse. Quando hanno analizzato questi dati, si sono resi conto che gli articoli con proprietà fisiche simili mostrano tassi di successo di acquisizione simili, che rende più facile generalizzare una strategia di acquisizione a elementi mai visti prima. Le loro analisi hanno anche offerto informazioni su come altri fattori (ad esempio l'ambiente che circonda il cibo, passo della forcella, angolo della forcella, ecc.) possono influenzare il successo di un robot nel raccogliere un boccone di cibo da un piatto.

Sulla base di queste osservazioni, i ricercatori hanno sviluppato un quadro di acquisizione del morso che utilizza due reti neurali distinte in una struttura gerarchica. La prima rete, chiamato RetinaNet, analizza le immagini a piatto intero contenenti diversi tipi di cibo e quindi genera riquadri di delimitazione attorno ai singoli elementi. La seconda rete, SPANet, utilizza questi riquadri di delimitazione per calcolare la probabilità di successo per le diverse azioni di acquisizione del morso e l'asse di infilzamento per ogni alimento.

"Per produrre la probabilità di successo, SPANet utilizza anche caratteristiche relative all'ambiente circostante di un prodotto alimentare, poiché abbiamo scoperto che l'ambiente circostante influisce sulla scelta delle azioni di un robot e sulla percentuale di successo, " Bhattacharjee ha spiegato. "Per codificare le caratteristiche dell'ambiente, abbiamo sviluppato un classificatore ambientale che identifica gli elementi come se si trovassero in uno dei tre ambienti:isolato, vicino al bordo di un piatto o ad un altro alimento, o sopra altri prodotti alimentari."

I ricercatori hanno applicato la loro struttura a un braccio robotico JACO e ne hanno valutato le prestazioni in una serie di esperimenti su piatti ordinati e disordinati contenenti vari prodotti alimentari. Questi test hanno prodotto risultati molto promettenti, con il loro metodo che generalizza con successo le strategie di infilzamento su cibi mai visti prima.

"La nostra rete, SPANet, potrebbe generalizzare con successo le azioni a prodotti alimentari inediti con distribuzioni di azioni di acquisizione del morso simili, "Bhattacharjee ha detto. "Praticamente, questo significa che dato un nuovo alimento che il robot non ha mai visto prima, la nostra rete dovrebbe essere in grado di dedurre come acquisirlo con successo da un piatto/ciotola se il nuovo alimento può essere acquisito con azioni simili."

Nel futuro, il framework di acquisizione del morso sviluppato da Bhattacharjee e dai suoi colleghi potrebbe aiutare lo sviluppo di sistemi di alimentazione assistita da robot più efficienti. Nel frattempo, i ricercatori prevedono di estendere le azioni di acquisizione del morso del loro approccio, poiché ciò consentirebbe ai robot alimentati dalla loro struttura di raccogliere una varietà ancora più ampia di cibo, compresi elementi come riso e purè di patate.

"Siamo anche interessati a esplorare modi per acquisire prodotti alimentari inediti che richiedono azioni molto diverse per raccoglierli rispetto a ciò che il robot ha visto prima, " ha detto Bhattacharjee.

© 2019 Scienza X Rete