論文の概要: Assistive Relative Pose Estimation for On-orbit Assembly using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2001.10673v2
• Date: Wed, 19 Feb 2020 08:02:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 21:29:36.095248
• Title: Assistive Relative Pose Estimation for On-orbit Assembly using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた軌道上アセンブリの相対的推定
• Authors: Shubham Sonawani (1), Ryan Alimo (2), Renaud Detry (2), Daniel Jeong (2), Andrew Hess (2), Heni Ben Amor (1) ((1) Interactive Robotics Laboratory, Arizona State University, Tempe, AZ, 85281, USA, (2) Jet Propulsion Laboratory, California Institute of Technology, Pasadena, CA, 91109, USA)
• Abstract要約: 本稿では、畳み込みニューラルネットワークを利用して、カメラに対して関心のある物体の翻訳と回転を決定する。 アセンブリタスク用に設計されたシミュレーションフレームワークを使用して、修正CNNモデルをトレーニングするためのデータセットを生成する。 モデルが現在の特徴選択法に匹敵する性能を示し、従ってそれらと組み合わせてより信頼性の高い推定値を提供することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate real-time pose estimation of spacecraft or object in space is a key capability necessary for on-orbit spacecraft servicing and assembly tasks. Pose estimation of objects in space is more challenging than for objects on Earth due to space images containing widely varying illumination conditions, high contrast, and poor resolution in addition to power and mass constraints. In this paper, a convolutional neural network is leveraged to uniquely determine the translation and rotation of an object of interest relative to the camera. The main idea of using CNN model is to assist object tracker used in on space assembly tasks where only feature based method is always not sufficient. The simulation framework designed for assembly task is used to generate dataset for training the modified CNN models and, then results of different models are compared with measure of how accurately models are predicting the pose. Unlike many current approaches for spacecraft or object in space pose estimation, the model does not rely on hand-crafted object-specific features which makes this model more robust and easier to apply to other types of spacecraft. It is shown that the model performs comparable to the current feature-selection methods and can therefore be used in conjunction with them to provide more reliable estimates.
• Abstract（参考訳）: 宇宙空間における宇宙船や物体の正確なリアルタイムポーズ推定は、軌道上の宇宙船のサービスや組み立て作業に必要な重要な能力である。 宇宙空間における物体のポーズ推定は、パワーや質量の制約に加えて、様々な照明条件、高コントラスト、解像度の悪い宇宙画像を含むため、地球上の物体よりも難しい。 本稿では、畳み込みニューラルネットワークを利用して、カメラに対して関心のある物体の翻訳と回転を一意に決定する。 cnnモデルを使う主なアイデアは、機能ベースのメソッドのみが常に不十分なスペースアセンブリタスクで使用されるオブジェクトトラッカを支援することである。 組立タスク用に設計されたシミュレーションフレームワークを用いて、修正されたCNNモデルをトレーニングするためのデータセットを生成し、異なるモデルの結果を、モデルがどれだけ正確にポーズを予測するかの指標と比較する。 宇宙船や宇宙の物体に対する現在の多くのアプローチとは異なり、このモデルは手作りの物体特有の特徴に頼らず、他の種類の宇宙船にもより堅牢で容易に適用できる。 モデルが現在の特徴選択法に匹敵する性能を示し、従ってそれらと組み合わせてより信頼性の高い推定を行うことができる。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Vision-Based Detection of Uncooperative Targets and Components on Small Satellites [6.999319023465766]
  宇宙デブリと不活性衛星は、運用宇宙船の安全性と完全性に脅威をもたらす。 コンピュータビジョンモデルの最近の進歩は、そのような非協調的な目標を追跡する既存の方法を改善するために利用することができる。 本稿では,これらの物体を学習とコンピュータビジョンを用いて識別・監視する自律検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-22T02:48:13Z)
• Leveraging Neural Radiance Fields for Pose Estimation of an Unknown Space Object during Proximity Operations [14.624172952608653]
  本稿では、未知のターゲットに「オフ・ザ・シェルフ」宇宙船のポーズ推定装置を適用可能な新しい手法を提案する。 対象画像のスパースコレクションを用いてNeRFモデルをトレーニングし,視点と照明の両面で多様な大きなデータセットを生成する。 本手法は,スパース画像の集合から,市販の宇宙船のポーズ推定ネットワークの訓練に有効であることが実証された。
  論文  参考訳（メタデータ） (2024-05-21T12:34:03Z)
• SOAR: Advancements in Small Body Object Detection for Aerial Imagery Using State Space Models and Programmable Gradients [0.8873228457453465]
  空中画像における小さな物体検出は、コンピュータビジョンにおいて重要な課題である。 トランスフォーマーベースのモデルを用いた従来の手法は、特殊データベースの欠如に起因する制限に直面していることが多い。 本稿では,小型空中物体の検出とセグメンテーション機能を大幅に向上する2つの革新的なアプローチを紹介する。
  論文  参考訳（メタデータ） (2024-05-02T19:47:08Z)
• FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
  FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。 我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
  論文  参考訳（メタデータ） (2023-12-13T18:28:09Z)
• SU-Net: Pose estimation network for non-cooperative spacecraft on-orbit [8.671030148920009]
  宇宙船のポーズ推定は、ランデブーやドッキング、破片の除去、軌道上の維持など、多くの軌道上の宇宙ミッションにおいて重要な役割を担っている。 衛星軌道上でのレーダ画像の特徴を分析し,Dense Residual U-shaped Network (DR-U-Net) と呼ばれる新しいディープラーニングニューラルネットワーク構造を提案し,画像の特徴を抽出する。 さらに, DR-U-Netに基づく新しいニューラルネットワーク,すなわち, 宇宙機U字型ネットワーク(SU-Net)を導入し, 非協調宇宙船のエンドツーエンドのポーズ推定を実現する。
  論文  参考訳（メタデータ） (2023-02-21T11:14:01Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)
• Wide-Depth-Range 6D Object Pose Estimation in Space [124.94794113264194]
  宇宙での6Dポーズ推定は、地上環境では一般的に遭遇しないユニークな課題を引き起こします。 最も顕著な違いの1つは、大気の散乱の欠如であり、物体を遠くから見えるようにします。 本稿では,単一段階の階層型エンドツーエンドトレーニングネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-01T08:39:26Z)
• Supervised Training of Dense Object Nets using Optimal Descriptors for Industrial Robotic Applications [57.87136703404356]
  Florence、Manuelli、TedrakeによるDense Object Nets(DON)は、ロボットコミュニティのための新しいビジュアルオブジェクト表現として高密度オブジェクト記述子を導入した。 本稿では, 物体の3次元モデルを考えると, 記述子空間画像を生成することができ, DON の教師付きトレーニングが可能であることを示す。 産業用物体の6次元グリップ生成のためのトレーニング手法を比較し,新しい教師付きトレーニング手法により,産業関連タスクのピック・アンド・プレイス性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-02-16T11:40:12Z)
• Robust On-Manifold Optimization for Uncooperative Space Relative Navigation with a Single Camera [4.129225533930966]
  単分子装置のみを用いて、チェッカー宇宙船に対して対象物体の6次元ポーズを推定するために、革新的なモデルに基づくアプローチが実証された。 複雑な宇宙船エンビザットとランデブー軌道のリアルな合成と実験室のデータセットで検証されている。
  論文  参考訳（メタデータ） (2020-05-14T16:23:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。