Fugu-MT 論文翻訳(概要): ACRONYM: A Large-Scale Grasp Dataset Based on Simulation

論文の概要: ACRONYM: A Large-Scale Grasp Dataset Based on Simulation

arxiv url: http://arxiv.org/abs/2011.09584v1
Date: Wed, 18 Nov 2020 23:24:00 GMT
ステータス: 処理完了
システム内更新日: 2022-09-24 05:05:31.736984
Title: ACRONYM: A Large-Scale Grasp Dataset Based on Simulation
Title（参考訳）: ACRONYM:シミュレーションに基づく大規模グラフデータセット
Authors: Clemens Eppner, Arsalan Mousavian, Dieter Fox
Abstract要約: ACRONYMは物理シミュレーションに基づくロボットグリップ計画のためのデータセットである。データセットには17.7Mのパラレルジャウグリップが含まれ、262の異なるカテゴリから8872のオブジェクトにまたがっている。我々は、この大規模で多様なデータセットの価値を、2つの最先端の学習に基づく把握計画アルゴリズムの訓練に利用することで示す。
参考スコア（独自算出の注目度）: 64.37675024289857
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce ACRONYM, a dataset for robot grasp planning based on physics simulation. The dataset contains 17.7M parallel-jaw grasps, spanning 8872 objects from 262 different categories, each labeled with the grasp result obtained from a physics simulator. We show the value of this large and diverse dataset by using it to train two state-of-the-art learning-based grasp planning algorithms. Grasp performance improves significantly when compared to the original smaller dataset. Data and tools can be accessed at https://sites.google.com/nvidia.com/graspdataset.
Abstract（参考訳）: 本稿では,物理シミュレーションに基づくロボットグリップ計画のためのデータセットACRONYMを紹介する。データセットは17.7Mのパラレルジャウグリップを含み、262のカテゴリから8872のオブジェクトにまたがっており、それぞれが物理シミュレータから得られた把握結果とラベル付けされている。この大規模で多様なデータセットの価値を、2つの最先端の学習に基づく把握計画アルゴリズムをトレーニングするために利用する。握り性能は、元の小さなデータセットと比較して大幅に向上する。データとツールはhttps://sites.google.com/nvidia.com/graspdatasetからアクセスできる。

関連論文リスト

UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
論文参考訳（メタデータ） (2024-03-22T10:36:50Z)
Flows for Flows: Morphing one Dataset into another with Maximum Likelihood Estimation [2.240286607818126]
本稿では,フローを正規化してひとつのデータセットを別のデータセットに変形させるフローのためのフローと呼ばれるプロトコルを提案する。これにより、最大推定値で訓練されたモーフィング戦略が実現される。条件付き特徴のすべての値に対するモーフィング関数を作成するために、学習したフローを特定の特徴に対して条件付けする方法を示す。
論文参考訳（メタデータ） (2023-09-12T18:00:01Z)
Eagle: Large-Scale Learning of Turbulent Fluid Dynamics with Mesh Transformers [23.589419066824306]
流体力学を推定することは、解決するのが非常に難しい。問題に対する新しいモデル,メソッド,ベンチマークを導入する。我々の変換器は、既存の合成データセットと実際のデータセットの両方において、最先端のパフォーマンスより優れていることを示す。
論文参考訳（メタデータ） (2023-02-16T12:59:08Z)
Large Scale Real-World Multi-Person Tracking [68.27438015329807]
本稿では,新しい大規模多人数追跡データセットであるtexttPersonPath22を提案する。 MOT17、HiEve、MOT20などの高品質なマルチオブジェクト追跡データセットよりも桁違いに大きい。
論文参考訳（メタデータ） (2022-11-03T23:03:13Z)
DexGraspNet: A Large-Scale Robotic Dexterous Grasp Dataset for General Objects Based on Simulation [10.783992625475081]
本稿では,ロボットデキスタラスグルーピングのための大規模シミュレーションデータセットDexGraspNetを提案する。私たちはShadowHandという、ロボット工学でよく見られる豪華なグリップを使って、5355のオブジェクトに対して123万のグリップを生成します。 GraspIt!が生成した以前のデータセットと比較すると、私たちのデータセットはオブジェクトやグリップだけでなく、多様性や品質も高くなります。
論文参考訳（メタデータ） (2022-10-06T06:09:16Z)
DA$^2$ Dataset: Toward Dexterity-Aware Dual-Arm Grasping [58.48762955493929]
DA$2$は、任意の大物体に対して最適な2次元グリップペアを生成するための、最初の大規模デュアルアームデキスタリティ対応データセットである。データセットには、6000以上のオブジェクトから生成される約9万組のパラレルジャウグリップが含まれている。
論文参考訳（メタデータ） (2022-07-31T10:02:27Z)
PREPRINT: Comparison of deep learning and hand crafted features for mining simulation data [7.214140640112874]
本稿では,高次元データセットから有意な結果を自動抽出する作業について述べる。このようなデータを処理することができる深層学習手法を提案し、シミュレーションデータに関する関連するタスクを解決するように訓練することができる。 16,000フローフィールドを含む翼まわりの流れ場の2次元シミュレーションの大規模なデータセットをコンパイルし,比較を行った。
論文参考訳（メタデータ） (2021-03-11T09:28:00Z)
AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文参考訳（メタデータ） (2020-08-16T11:36:11Z)
Measures of Complexity for Large Scale Image Datasets [0.3655021726150368]
本研究では,データセットの複雑さを計測する比較的単純な手法のシリーズを構築する。我々は,自動運転研究コミュニティであるCityscapes,IDD,BDD,Vistaの4つのデータセットを用いて分析を行った。エントロピーに基づくメトリクスを用いて、これらのデータセットのランク順の複雑さを示し、ディープラーニングに関して確立されたランク順と比較する。
論文参考訳（メタデータ） (2020-08-10T21:54:23Z)
Open Graph Benchmark: Datasets for Machine Learning on Graphs [86.96887552203479]
スケーラブルで堅牢で再現可能なグラフ機械学習(ML)の研究を容易にするために,Open Graph Benchmark(OGB)を提案する。 OGBデータセットは大規模で、複数の重要なグラフMLタスクを含み、さまざまなドメインをカバーする。各データセットに対して,有意義なアプリケーション固有のデータ分割と評価指標を用いた統一評価プロトコルを提供する。
論文参考訳（メタデータ） (2020-05-02T03:09:50Z)

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。