麻省理工学院的研究人员已经创建了一个可以做到这一点的机器人系统。RFusion 系统是一个机械臂，其抓手上装有摄像头和射频 (RF) 天线。它将来自天线的信号与来自摄像机的视觉输入融合，以定位和检索物品，即使物品被埋在一起肉眼完全看不见也能准确识别。

研究人员开发的 RFusion 原型依赖于 RFID 标签，这是一种廉价、无电池的标签，可以粘在物品上并反射天线发送的信号。由于 RF 信号可以穿过大多数表面，例如可能会遮挡钥匙的脏衣服堆，因此 RFusion 能够定位一堆中的标记物品。

使用机器学习，机械臂会自动将物体的准确位置归零，将物品移到上面，抓住物体，并验证它是否捡到了正确的东西。摄像头、天线、机械臂和 AI 完全集成，因此 RFusion 可以在任何环境下工作，无需特殊设置。

虽然找到丢失的钥匙很有帮助，但 RFusion 在未来可能会有更广泛的应用，比如整理堆以完成仓库中的订单，在汽车制造厂识别和安装组件，或者帮助老人在家中执行日常任务，尽管当前的原型对于这些用途来说还不够快。

能够在混乱的世界中找到物品的想法，是我们多年来一直在努力解决的一个悬而未决的问题。拥有能够在一堆东西下搜索物品的机器人是当今行业日益增长的需求。对现在，您可以将其视为使用类固醇的 Roomba，但在短期内，这可能会在制造和仓库环境中得到大量应用。

RFusion 开始使用其天线搜索物体，天线从 RFID 标签反射信号以识别标签所在的球形区域。它将该球体与相机输入相结合，从而缩小了对象的位置。例如，该项目不能位于空的表区域上。

但是，一旦机器人对物品的位置有了大致的了解，它就需要在房间周围广泛摆动手臂，进行额外的测量以得出准确的位置，这是缓慢且低效的。

研究人员使用强化学习来训练一个神经网络，可以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。

在 RFusion 的情况下，当优化算法限制了定位项目所需的移动次数以及拾取项目所需的移动距离时，它就会得到奖励。

一旦系统识别出正确的位置，神经网络就会使用组合的射频和视觉信息来预测机械臂应该如何抓取物体，包括手的角度和抓手的宽度，以及是否必须先移除其他物品. 它还最后一次扫描物品的标签，以确保它拾取了正确的物体。

研究人员在几种不同的环境中测试了 RFusion。他们把钥匙链埋在一个杂乱无章的盒子里，把遥控器藏在沙发上的一堆物品下面。

但是，如果他们将所有相机数据和 RF 测量值提供给强化学习算法，系统就会不堪重负。因此，利用 GPS 用于整合来自卫星的数据的方法，他们总结了 RF 测量结果并将视觉数据限制在机器人正前方的区域。

RFusion 在检索完全隐藏的物体时有 96% 的成功率。

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，这样的系统甚至可以融入未来的智能家居中，以帮助人们完成任何数量的家务。

每年都有数十亿个 RFID 标签用于识别当今复杂供应链中的物品，包括服装和许多其他消费品。

RFusion 方法为自主机器人指明了道路，该机器人可以挖掘一堆混合物品并将其分类使用存储在 RFID 标签中的数据，比单独检查每件物品更有效，尤其是当物品看起来类似于计算机视觉系统时，对于在复杂供应链中运行的机器人技术来说，RFusion 方法是向前迈出的一大步，在这些供应链中，识别和拣选。