論文の概要: Towards Robotic Assembly by Predicting Robust, Precise and Task-oriented Grasps

• arxiv url: http://arxiv.org/abs/2011.02462v1
• Date: Wed, 4 Nov 2020 18:29:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 21:47:19.559815
• Title: Towards Robotic Assembly by Predicting Robust, Precise and Task-oriented Grasps
• Title（参考訳）: ロバスト・精密・タスク指向の把持予測によるロボット組立
• Authors: Jialiang Zhao, Daniel Troniak, Oliver Kroemer
• Abstract要約: 本稿では,3つのカスケードネットワークを学習することで,把握,精度,タスク性能を最適化する手法を提案する。 我々は,歯車をペグに挿入し,ブラケットをコーナーにアライメントし,形状をスロットに挿入する3つの一般的な組立作業のシミュレーションにおいて,本手法の評価を行った。
• 参考スコア（独自算出の注目度）: 17.07993278175686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust task-oriented grasp planning is vital for autonomous robotic precision assembly tasks. Knowledge of the objects' geometry and preconditions of the target task should be incorporated when determining the proper grasp to execute. However, several factors contribute to the challenges of realizing these grasps such as noise when controlling the robot, unknown object properties, and difficulties modeling complex object-object interactions. We propose a method that decomposes this problem and optimizes for grasp robustness, precision, and task performance by learning three cascaded networks. We evaluate our method in simulation on three common assembly tasks: inserting gears onto pegs, aligning brackets into corners, and inserting shapes into slots. Our policies are trained using a curriculum based on large-scale self-supervised grasp simulations with procedurally generated objects. Finally, we evaluate the performance of the first two tasks with a real robot where our method achieves 4.28mm error for bracket insertion and 1.44mm error for gear insertion.
• Abstract（参考訳）: 自律ロボットの精密組み立て作業にはロバストなタスク指向の把握計画が不可欠である。 対象タスクの形状や前提条件の知識は、実行すべき適切な把握を決定する際に取り入れるべきである。 しかし,ロボット制御時のノイズ,未知の物体特性,複雑な物体と物体の相互作用をモデル化する困難など,これらの把握を実現する上での課題には,いくつかの要因がある。 本稿では,3つのカスケードネットワークを学習することにより,この問題を分解し,ロバスト性,精度,タスク性能の把握を最適化する手法を提案する。 本手法は,ペグへの歯車の挿入,角へのブラケットの整列,スロットへの形状の挿入という3つの一般的な組立作業におけるシミュレーション手法を評価する。 提案手法は,プロセス生成オブジェクトを用いた大規模自己教師あり把握シミュレーションに基づくカリキュラムを用いて学習する。 最後に,本手法がブラケット挿入の4.28mm誤差と歯車挿入の1.44mm誤差を達成できる実ロボットを用いて,最初の2つのタスクの性能を評価する。

関連論文リスト

• Counting Objects in a Robotic Hand [6.057565013011719]
  多目的グリップを行うロボットは、グリップ後に手にあるオブジェクトの数を検出する必要がある。 本稿では,データ駆動型コントラスト学習に基づくカウント分類器を提案する。 提案手法は,実際の3つのオブジェクトに対して96%以上の精度を実現した。
  論文  参考訳（メタデータ） (2024-04-09T21:46:14Z)
• Learning Dual-arm Object Rearrangement for Cartesian Robots [28.329845378085054]
  この研究は、カルテシアンロボットの現実的な産業シナリオから抽象化されたデュアルアームオブジェクト再構成問題に焦点を当てる。 この問題の目標は、すべてのオブジェクトをソースからターゲットに、総完了時間最小で転送することである。 我々は、累積タスク実行時間を最小化し、両腕協調効率を最大化するための効果的なオブジェクト・ツー・アームタスク割り当て戦略を開発する。
  論文  参考訳（メタデータ） (2024-02-21T09:13:08Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)
• Localizing Active Objects from Egocentric Vision with Symbolic World Knowledge [62.981429762309226]
  タスクの指示をエゴセントリックな視点から積極的に下す能力は、AIエージェントがタスクを達成したり、人間をバーチャルに支援する上で不可欠である。 本稿では,現在進行中のオブジェクトの役割を学習し,指示から正確に抽出することで,アクティブなオブジェクトをローカライズするフレーズグラウンドモデルの性能を向上させることを提案する。 Ego4DおよびEpic-Kitchensデータセットに関するフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-10-23T16:14:05Z)
• simPLE: a visuotactile method learned in simulation to precisely pick, localize, regrasp, and place objects [16.178331266949293]
  本稿では,精密かつ汎用的なピック・アンド・プレイスの解法について検討する。 正確なピック・アンド・プレイスの解法としてシミュレートを提案する。 SimPLEは、オブジェクトCADモデルのみを前提に、オブジェクトの選択、再彫刻、配置を正確に学習する。
  論文  参考訳（メタデータ） (2023-07-24T21:22:58Z)
• Leveraging Sequentiality in Reinforcement Learning from a Single Demonstration [68.94506047556412]
  本稿では,複雑なロボットタスクの制御ポリシーを1つの実演で学習するために,シーケンシャルなバイアスを活用することを提案する。 本研究は, ヒューマノイド移動やスタンドアップなど, 模擬課題のいくつかを, 前例のないサンプル効率で解くことができることを示す。
  論文  参考訳（メタデータ） (2022-11-09T10:28:40Z)
• Efficient and Robust Training of Dense Object Nets for Multi-Object Robot Manipulation [8.321536457963655]
  我々はDense Object Nets(DON)の堅牢で効率的なトレーニングのためのフレームワークを提案する。 本研究は,多目的データを用いた学習に重点を置いている。 実世界のロボットによる把握作業において,提案手法の頑健さと精度を実証する。
  論文  参考訳（メタデータ） (2022-06-24T08:24:42Z)
• Graph-based Reinforcement Learning meets Mixed Integer Programs: An application to 3D robot assembly discovery [34.25379651790627]
  我々は、テトリスのような構造ブロックとロボットマニピュレータを用いて、スクラッチから完全に定義済みの任意のターゲット構造を構築するという課題に対処する。 我々の新しい階層的アプローチは、タスク全体を相互に利益をもたらす3つの実行可能なレベルに効率的に分解することを目的としています。
  論文  参考訳（メタデータ） (2022-03-08T14:44:51Z)
• Towards Coordinated Robot Motions: End-to-End Learning of Motion Policies on Transform Trees [63.31965375413414]
  人間による実証から構造化政策を学習し、マルチタスクの課題解決を提案します。 我々の構造化ポリシーは、異なる空間におけるサブタスクポリシーを組み合わせるためのフレームワークであるRMPflowにインスパイアされている。 マルチタスク問題に適したエンドツーエンドの学習目標関数を導き出します。
  論文  参考訳（メタデータ） (2020-12-24T22:46:22Z)
• Reinforcement Learning for Sparse-Reward Object-Interaction Tasks in a First-person Simulated 3D Environment [73.9469267445146]
  高忠実な3Dシミュレーション環境において、AI2Thorのような一対一のオブジェクトインタラクションタスクは、強化学習エージェントに顕著なサンプル効率の課題をもたらす。 補助的なタスクとして注意的オブジェクトモデルを学ぶことで、監督なしに、ゼロからオブジェクトインタラクションタスクを学習できることが示される。
  論文  参考訳（メタデータ） (2020-10-28T19:27:26Z)
• CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and Transfer Learning [138.40338621974954]
  CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。 タスクは、ブロックのセットから3D形状を構築することで構成される。
  論文  参考訳（メタデータ） (2020-10-08T23:01:13Z)

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。