論文の概要: Towards Intelligent Pick and Place Assembly of Individualized Products Using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2002.08333v1
• Date: Tue, 11 Feb 2020 15:32:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 02:48:10.479608
• Title: Towards Intelligent Pick and Place Assembly of Individualized Products Using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた個別商品の知的選択と配置
• Authors: Caterina Neef, Dario Luipers, Jan Bollenbacher, Christian Gebel and Anja Richert
• Abstract要約: 我々は,強化学習を実装することで,作業の選択と配置をうまく行うように協調的なロボットに教えることを目指している。 連続的に変化する製造環境における個別化製品の組み立てには、シミュレーションされた幾何学的パラメータと動的パラメータが変化する。 このロボットは、センサー、エリアスキャンカメラ、そして環境とオブジェクトの高度マップを生成するために使用される3Dカメラから入力データを取得する。
• 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: Individualized manufacturing is becoming an important approach as a means to fulfill increasingly diverse and specific consumer requirements and expectations. While there are various solutions to the implementation of the manufacturing process, such as additive manufacturing, the subsequent automated assembly remains a challenging task. As an approach to this problem, we aim to teach a collaborative robot to successfully perform pick and place tasks by implementing reinforcement learning. For the assembly of an individualized product in a constantly changing manufacturing environment, the simulated geometric and dynamic parameters will be varied. Using reinforcement learning algorithms capable of meta-learning, the tasks will first be trained in simulation. They will then be performed in a real-world environment where new factors are introduced that were not simulated in training to confirm the robustness of the algorithms. The robot will gain its input data from tactile sensors, area scan cameras, and 3D cameras used to generate heightmaps of the environment and the objects. The selection of machine learning algorithms and hardware components as well as further research questions to realize the outlined production scenario are the results of the presented work.
• Abstract（参考訳）: 個人化製造業は、ますます多様で特定の消費者の要求と期待を満たす手段として重要なアプローチになりつつある。 追加製造など製造プロセスの実装には様々な解決策があるが、その後の自動組立は依然として困難な課題である。 この問題に対するアプローチとして,強化学習を実践し,協調ロボットにタスクの選択と配置を成功させる方法を教えることを目的とする。 連続的に変化する製造環境における個別化製品の組み立てには、シミュレーションされた幾何学的パラメータと動的パラメータが変化する。 メタ学習が可能な強化学習アルゴリズムを使用して、タスクはまずシミュレーションでトレーニングされる。 その後、アルゴリズムの堅牢性を確認するためにトレーニングでシミュレートされていない新しい要素が導入される現実世界環境で実行される。 ロボットは、触覚センサー、エリアスキャンカメラ、環境とオブジェクトの高度マップを生成するために使用される3Dカメラから入力データを取得する。 機械学習アルゴリズムとハードウェアコンポーネントの選択と、概略生産シナリオを実現するためのさらなる研究課題は、提示された研究の結果である。

関連論文リスト

• A Survey of Embodied Learning for Object-Centric Robotic Manipulation [27.569063968870868]
  オブジェクト中心のロボット操作のための身体学習は、AIの急速に発展し、挑戦的な分野である。 データ駆動機械学習とは異なり、具体化学習は環境との物理的相互作用を通じてロボット学習に焦点を当てる。
  論文  参考訳（メタデータ） (2024-08-21T11:32:09Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Robotic Handling of Compliant Food Objects by Robust Learning from Demonstration [79.76009817889397]
  本稿では,食品に適合する物体をロボットで把握する上で,実証からの学習(LfD)に基づく頑健な学習方針を提案する。 教師の意図した方針を推定し,無矛盾な実演を自動的に除去するLfD学習ポリシーを提案する。 提案されたアプローチは、前述の業界セクターで幅広い応用が期待できる。
  論文  参考訳（メタデータ） (2023-09-22T13:30:26Z)
• MetaGraspNet: A Large-Scale Benchmark Dataset for Vision-driven Robotic Grasping via Physics-based Metaverse Synthesis [78.26022688167133]
  本稿では,物理に基づくメタバース合成による視覚駆動型ロボットグルーピングのための大規模ベンチマークデータセットを提案する。 提案するデータセットには,10万の画像と25種類のオブジェクトが含まれている。 また,オブジェクト検出とセグメンテーション性能を評価するためのデータセットとともに,新しいレイアウト重み付け性能指標を提案する。
  論文  参考訳（メタデータ） (2021-12-29T17:23:24Z)
• Learning to Regrasp by Learning to Place [19.13976401970985]
  ロボットの現在の握りポーズが望ましい操作タスクの実行に失敗する場合、レギュラピングが必要である。 本研究では,ロボットが物体と支援環境の部分点雲を入力として取り出し,一連のピック・アンド・プレイス操作を出力するシステムを提案する。 我々は,多様な物体を再現することで,73.3%の成功率を達成できることを示す。
  論文  参考訳（メタデータ） (2021-09-18T03:07:06Z)
• Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic Platforms [60.59764170868101]
  強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。 私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。 我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
  論文  参考訳（メタデータ） (2021-03-05T14:16:20Z)
• Curiosity Based Reinforcement Learning on Robot Manufacturing Cell [0.0]
  強化学習はロボット工学やスケジューリングといったタスクを解くことに成功している。 本稿では,フレキシブルロボット製造セルのスケジューリング制御と好奇心に基づく強化学習を組み合わせた新しい組み合わせを提案する。
  論文  参考訳（メタデータ） (2020-11-17T16:19:47Z)
• Learning compositional models of robot skills for task and motion planning [39.36562555272779]
  センサモレータプリミティブを用いて複雑な長距離操作問題を解決することを学ぶ。 能動的学習とサンプリングに最先端の手法を用いる。 我々は,選択した原始行動の質を計測することで,シミュレーションと実世界の双方でアプローチを評価する。
  論文  参考訳（メタデータ） (2020-06-08T20:45:34Z)
• SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
  SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。 部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
  論文  参考訳（メタデータ） (2020-03-19T00:11:34Z)

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。