論文の概要: Generalized Grasping for Mechanical Grippers for Unknown Objects with Partial Point Cloud Representations

• arxiv url: http://arxiv.org/abs/2006.12676v1
• Date: Tue, 23 Jun 2020 00:34:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 23:54:35.694196
• Title: Generalized Grasping for Mechanical Grippers for Unknown Objects with Partial Point Cloud Representations
• Title（参考訳）: 部分点クラウド表現を持つ未知物体に対するメカニカルグリップの一般化
• Authors: Michael Hegedus, Kamal Gupta, Mehran Mehrandezh
• Abstract要約: メカニカルグリップパーによって実行される複数のグリップタイプのグリップポーズ解を,ほぼリアルタイムで検出するために点雲を用いる。 シミュレーションおよび実験により,1)3種類のグリップタイプのグリップポーズをほぼリアルタイムで検出し,2)部分点と完全点の両方のクラウドスキャンにおけるボクセル分解能の変化に対して,グリップポーズの解が一致していること,3)メカニカルグリップパーを用いて,予測したグリップが実行されることを示す。
• 参考スコア（独自算出の注目度）: 4.196869541965447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a generalized grasping algorithm that uses point clouds (i.e. a group of points and their respective surface normals) to discover grasp pose solutions for multiple grasp types, executed by a mechanical gripper, in near real-time. The algorithm introduces two ideas: 1) a histogram of finger contact normals is used to represent a grasp 'shape' to guide a gripper orientation search in a histogram of object(s) surface normals, and 2) voxel grid representations of gripper and object(s) are cross-correlated to match finger contact points, i.e. grasp 'size', to discover a grasp pose. Constraints, such as collisions with neighbouring objects, are optionally incorporated in the cross-correlation computation. We show via simulations and experiments that 1) grasp poses for three grasp types can be found in near real-time, 2) grasp pose solutions are consistent with respect to voxel resolution changes for both partial and complete point cloud scans, and 3) a planned grasp is executed with a mechanical gripper.
• Abstract（参考訳）: 本稿では,ポイントクラウド(点群とそれぞれの表面正規値)を用いて,機械式把持器によって実行された複数の把持型の把持ポーズ解をほぼリアルタイムに検出する一般化把持アルゴリズムを提案する。 アルゴリズムは2つのアイデアを紹介します 1)指接触正常者のヒストグラムは、物体表面正常者のヒストグラムにおけるグリップ方向探索を案内するグリップ「形状」を表すために使用され、 2)グリッパーとオブジェクト(s)のボクセルグリッド表現は、指の接点、すなわち「サイズ」をつかみ、把持姿勢を検出するために相互に関連している。 隣り合う物体との衝突のような制約は、交叉相関計算に任意に組み込まれる。 シミュレーションと実験を通して示す。 1)3種類の握りポーズをほぼリアルタイムで見つけることができる。 2)部分的および完全的点雲スキャンにおけるボクセル分解能変化に関して,把持姿勢の解が一致し,また,その解が成立する。 3)メカニカルグリッパーで計画的な把持を行う。

関連論文リスト

• Local Occupancy-Enhanced Object Grasping with Multiple Triplanar Projection [24.00828999360765]
  本稿では,一般的な物体をロボットでつかむという課題に対処する。 提案したモデルはまず、シーン内で最も可能性の高いいくつかの把握ポイントを提案する。 各グリップポイントの周囲に、モジュールはその近傍にある任意のボクセルが空か、ある物体に占有されているかを推測するように設計されている。 モデルはさらに、局所占有力向上した物体形状情報を利用して、6-DoFグリップポーズを推定する。
  論文  参考訳（メタデータ） (2024-07-22T16:22:28Z)
• KGpose: Keypoint-Graph Driven End-to-End Multi-Object 6D Pose Estimation via Point-Wise Pose Voting [0.0]
  KGposeは、複数のオブジェクトの6Dポーズ推定のためのエンドツーエンドフレームワークである。 我々のアプローチはキーポイントベースの手法とキーポイントグラフによる学習可能なポーズ回帰を組み合わせる。
  論文  参考訳（メタデータ） (2024-07-12T01:06:00Z)
• DVMNet: Computing Relative Pose for Unseen Objects Beyond Hypotheses [59.51874686414509]
  現在のアプローチは、多数の離散的なポーズ仮説を持つ連続的なポーズ表現を近似している。 本稿では,DVMNet(Deep Voxel Matching Network)を提案する。 提案手法は,最先端の手法に比べて計算コストの低い新しいオブジェクトに対して,より正確なポーズ推定を行う。
  論文  参考訳（メタデータ） (2024-03-20T15:41:32Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
  軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。 GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。 GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
  論文  参考訳（メタデータ） (2021-12-08T00:24:03Z)
• DualConv: Dual Mesh Convolutional Networks for Shape Correspondence [44.94765770516059]
  畳み込みニューラルネットワークは2d画像で非常に成功し、3dボクセルデータを扱うために容易に拡張されている。 本稿では,これらのネットワークを三角メッシュの二重面表現に拡張する方法を検討する。 実験により,二重メッシュの近傍サイズの正則性を明示的に活用した畳み込みモデルの構築により,従来の手法と同等以上の形状表現を学習できることを実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:22:47Z)
• 3D Object Classification on Partial Point Clouds: A Practical Perspective [91.81377258830703]
  点雲は3次元オブジェクト分類において一般的な形状表現である。 本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。 本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-18T04:00:56Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)

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。