論文の概要: Safe and Effective Picking Paths in Clutter given Discrete Distributions
of Object Poses
- arxiv url: http://arxiv.org/abs/2008.04465v1
- Date: Tue, 11 Aug 2020 00:52:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 12:03:04.627748
- Title: Safe and Effective Picking Paths in Clutter given Discrete Distributions
of Object Poses
- Title（参考訳）: 対象物の離散分布を考慮したクラッタの安全かつ効果的なピッキングパス
- Authors: Rui Wang, Chaitanya Mitash, Shiyang Lu, Daniel Boehm, Kostas E. Bekris
- Abstract要約: 1つのアプローチは、オブジェクトのポーズ推定を実行し、最も可能性の高いオブジェクト毎のポーズを使用して、衝突せずにターゲットを選択することである。
本研究は,まず6次元ポーズ推定の知覚過程を提案し,シーン内のオブジェクトポーズの離散分布を返却する。
次に、ロボットアームを選択に移すための安全で効果的なソリューションを返すために、オープンループ計画パイプラインが提案されている。
- 参考スコア（独自算出の注目度）: 16.001980921287704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Picking an item in the presence of other objects can be challenging as it
involves occlusions and partial views. Given object models, one approach is to
perform object pose estimation and use the most likely candidate pose per
object to pick the target without collisions. This approach, however, ignores
the uncertainty of the perception process both regarding the target's and the
surrounding objects' poses. This work proposes first a perception process for
6D pose estimation, which returns a discrete distribution of object poses in a
scene. Then, an open-loop planning pipeline is proposed to return safe and
effective solutions for moving a robotic arm to pick, which (a) minimizes the
probability of collision with the obstructing objects; and (b) maximizes the
probability of reaching the target item. The planning framework models the
challenge as a stochastic variant of the Minimum Constraint Removal (MCR)
problem. The effectiveness of the methodology is verified given both simulated
and real data in different scenarios. The experiments demonstrate the
importance of considering the uncertainty of the perception process in terms of
safe execution. The results also show that the methodology is more effective
than conservative MCR approaches, which avoid all possible object poses
regardless of the reported uncertainty.
- Abstract（参考訳）: 他のオブジェクトの存在下でアイテムを選択することは、オクルージョンや部分的なビューを含むため、難しい場合があります。
オブジェクトモデルが与えられた場合、オブジェクトのポーズ推定を行い、最も可能性の高い候補のポーズを使用して衝突することなくターゲットを選択する。
しかし、このアプローチは、ターゲットと周囲の物体のポーズの両方に関して知覚過程の不確実性を無視している。
本研究は,まず6次元ポーズ推定の知覚過程を提案し,シーン内のオブジェクトポーズの離散分布を返却する。
次に,ロボットアームをピックに移動させる安全かつ効果的なソリューションを返却するために,オープンループ計画パイプラインを提案する。
(a)閉塞対象物との衝突の確率を最小化する。
(b)目標項目に到達する確率を最大化する。
計画フレームワークは、最小制約除去問題(mcr)の確率的変種としてチャレンジをモデル化する。
この手法の有効性はシミュレーションデータと実データの両方を用いて異なるシナリオで検証される。
実験は,安全実行の観点から知覚過程の不確実性を考慮することの重要性を実証した。
また、この手法は、報告された不確実性にかかわらず全ての可能な対象が成立することを避けるため、保守的なmcrアプローチよりも有効であることも示されている。
関連論文リスト
- End-to-End Probabilistic Geometry-Guided Regression for 6DoF Object Pose Estimation [5.21401636701889]
最先端の6Dオブジェクトのポーズ推定器は、オブジェクト観察によってオブジェクトのポーズを直接予測する。
最先端アルゴリズムGDRNPPを再構成し,EPRO-GDRを導入する。
提案手法は,1つのポーズではなく1つのポーズ分布を予測することで,最先端の単一ビューのポーズ推定を改善することができることを示す。
論文 参考訳（メタデータ） (2024-09-18T09:11:31Z) - Embodied Uncertainty-Aware Object Segmentation [38.52448300879023]
本研究では,不確実性を考慮したオブジェクトインスタンスセグメンテーション(UncOS)を導入し,対話型セグメンテーションの有用性を示す。
本研究では,大容量事前学習モデルの複数問合せを行うことにより,信頼度推定とともに,領域分割仮説の集合を得る。
アウトプットは、ロボットアクションを選択し、シーンを混乱させ、あいまいさを減らす、信念駆動のプロセスへの入力としても機能する。
論文 参考訳（メタデータ） (2024-08-08T21:29:22Z) - Counterfactual Reasoning for Multi-Label Image Classification via Patching-Based Training [84.95281245784348]
共起関係の過度な強調は、モデルの過度な問題を引き起こす可能性がある。
本稿では,対象対象物とその共起対象物による相関特性を媒介者とみなすことができることを示す因果推論フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-09T13:13:24Z) - Rigidity-Aware Detection for 6D Object Pose Estimation [60.88857851869196]
最近の6Dオブジェクトのポーズ推定方法は、最初にオブジェクト検出を使用して2Dバウンディングボックスを取得し、実際にポーズを回帰する。
本研究では,6次元ポーズ推定において対象物体が剛性であるという事実を利用した剛性認識検出手法を提案する。
このアプローチの成功の鍵となるのは可視性マップであり、これは境界ボックス内の各ピクセルとボックス境界の間の最小障壁距離を用いて構築することを提案する。
論文 参考訳（メタデータ） (2023-03-22T09:02:54Z) - H-SAUR: Hypothesize, Simulate, Act, Update, and Repeat for Understanding
Object Articulations from Interactions [62.510951695174604]
The Hypothesize, Simulate, Act, Update, and Repeat (H-SAUR) is a probabilistic generative framework that generated hypotheses about objects articulate given input observed。
提案手法は,現在最先端のオブジェクト操作フレームワークよりも優れていることを示す。
我々は、学習に基づく視覚モデルから学習前の学習を統合することにより、H-SAURのテスト時間効率をさらに向上する。
論文 参考訳（メタデータ） (2022-10-22T18:39:33Z) - Ki-Pode: Keypoint-based Implicit Pose Distribution Estimation of Rigid
Objects [1.209625228546081]
本稿では,新しいポーズ分布推定法を提案する。
オブジェクトのポーズ上の確率分布の暗黙的な定式化は、キーポイントの集合としてのオブジェクトの中間表現から導かれる。
本手法は,YCB-VおよびT-LESSデータセット上での回転分布推定のタスクに基づいて評価されている。
論文 参考訳（メタデータ） (2022-09-20T11:59:05Z) - Suspected Object Matters: Rethinking Model's Prediction for One-stage
Visual Grounding [93.82542533426766]
疑似オブジェクト間の対象オブジェクト選択を促進するため,疑似オブジェクト変換機構(SOT)を提案する。
SOTは既存のCNNとTransformerベースのワンステージ視覚グラウンドにシームレスに統合できる。
実験の結果,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-03-10T06:41:07Z) - SafePicking: Learning Safe Object Extraction via Object-Level Mapping [19.502587411252946]
本稿では,オブジェクトレベルのマッピングと学習に基づくモーションプランニングを統合したSafePickingを提案する。
計画は、予測されたポーズの観測を受信する深いQネットワークと、動き軌跡を出力する深さに基づく高さマップを学習することによって行われる。
この結果から,ポーズの観察と深度感の融合により,モデルの性能とロバスト性が向上することが示唆された。
論文 参考訳（メタデータ） (2022-02-11T18:55:10Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳（メタデータ） (2020-11-17T09:39:42Z) - I Like to Move It: 6D Pose Estimation as an Action Decision Process [53.63776807432945]
オブジェクトのポーズ推定は、ロボットビジョンとARの不可欠な部分である。
以前の6Dポーズ検索パイプラインは、問題を回帰タスクとして扱うか、または、ポーズ空間を識別して分類する。
我々はこのパラダイムを変更し、初期ポーズを段階的に離散的に更新するアクション決定プロセスとして問題を再構築する。
ニューラルネットワークが推定すると、単一のRGBイメージから反復的に移動し、許容できる最終ポーズを決定する。
論文 参考訳（メタデータ） (2020-09-26T20:05:42Z)
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。