論文の概要: Uniform Object Rearrangement: From Complete Monotone Primitives to Efficient Non-Monotone Informed Search

• arxiv url: http://arxiv.org/abs/2101.12241v1
• Date: Thu, 28 Jan 2021 19:22:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-01 19:24:33.290023
• Title: Uniform Object Rearrangement: From Complete Monotone Primitives to Efficient Non-Monotone Informed Search
• Title（参考訳）: 一様オブジェクト再構成:完全モノトンプリミティブから効率的な非モノトンインフォームド検索へ
• Authors: Rui Wang, Kai Gao, Daniel Nakhimovich, Jingjin Yu, Kostas E. Bekris
• Abstract要約: 本研究では,ロボットと物体の衝突は発生しないが,物体と物体の衝突は避けなければならない,一様物体を再構成するアルゴリズム構造について検討する。 構成空間の効率的な計算可能な分解は、等価な衝突可能性の連続経路を全て分類する「領域グラフ」を作成するために用いられる。 実験により、提案手法は、単調でないインスタンスに挑戦しても、高い成功率で最適に近い経路を返すことを示した。
• 参考スコア（独自算出の注目度）: 16.361608890275622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object rearrangement is a widely-applicable and challenging task for robots. Geometric constraints must be carefully examined to avoid collisions and combinatorial issues arise as the number of objects increases. This work studies the algorithmic structure of rearranging uniform objects, where robot-object collisions do not occur but object-object collisions have to be avoided. The objective is minimizing the number of object transfers under the assumption that the robot can manipulate one object at a time. An efficiently computable decomposition of the configuration space is used to create a "region graph", which classifies all continuous paths of equivalent collision possibilities. Based on this compact but rich representation, a complete dynamic programming primitive DFSDP performs a recursive depth first search to solve monotone problems quickly, i.e., those instances that do not require objects to be moved first to an intermediate buffer. DFSDP is extended to solve single-buffer, non-monotone instances, given a choice of an object and a buffer. This work utilizes these primitives as local planners in an informed search framework for more general, non-monotone instances. The search utilizes partial solutions from the primitives to identify the most promising choice of objects and buffers. Experiments demonstrate that the proposed solution returns near-optimal paths with higher success rate, even for challenging non-monotone instances, than other leading alternatives.
• Abstract（参考訳）: オブジェクト再配置は、ロボットにとって広く適用可能で挑戦的なタスクです。 幾何学的制約は、物体の数が増えるにつれて衝突や組合せの問題を避けるために慎重に検討されなければならない。 ロボットと物体の衝突は起こらないが、物体と物体の衝突は避けなければならない、均一な物体を並べ替えるアルゴリズム構造を研究する。 目的は、ロボットが一度に1つのオブジェクトを操作できるという前提の下で、オブジェクト転送数を最小化することである。 構成空間の効率的な計算可能な分解は、等価な衝突可能性の連続経路を全て分類する「領域グラフ」を作成するために用いられる。 このコンパクトだがリッチな表現に基づいて、完全な動的プログラミングプリミティブDFSDPは、モノトーン問題、すなわちオブジェクトを最初に中間バッファに移動する必要がないインスタンスを迅速に解決するために、再帰的深度ファーストサーチを実行する。 DFSDPは、オブジェクトとバッファの選択によって、単一バッファ、非モノトンインスタンスを解決するために拡張される。 この作業では、これらのプリミティブをローカルプランナーとして、より一般的な非モノトーンインスタンスのインフォメーション検索フレームワークに活用する。 検索はプリミティブからの部分解を利用して、オブジェクトとバッファの最も有望な選択を識別する。 実験により、提案手法は、他の主要な代替手段よりも、非モノトンインスタンスに挑戦しても、成功率の高い準最適経路を返すことが示された。

関連論文リスト

• ObjectCarver: Semi-automatic segmentation, reconstruction and separation of 3D objects [44.38881095466177]
  複数の画像から3次元表面を再構成する際、暗黙の神経磁場は顕著な進歩を遂げた。 これまでの研究は、署名された距離フィールドを個別に訓練するフレームワークを導入して、この問題に対処しようと試みてきた。 一つのビューで単に入力をクリックすることからオブジェクト分離の問題に取り組むために、ObjectCarverというメソッドを導入します。
  論文  参考訳（メタデータ） (2024-07-26T22:13:20Z)
• CASAPose: Class-Adaptive and Semantic-Aware Multi-Object Pose Estimation [2.861848675707602]
  CASAPoseと呼ばれる新しい単一ステージアーキテクチャを提案する。 RGB画像中の複数の異なるオブジェクトのポーズ推定のための2D-3D対応を1パスで決定する。 高速でメモリ効率が高く、複数のオブジェクトに対して高い精度を実現する。
  論文  参考訳（メタデータ） (2022-10-11T10:20:01Z)
• Assembly Planning from Observations under Physical Constraints [65.83676649042623]
  提案アルゴリズムは, 物理安定性制約, 凸最適化, モンテカルロ木探索の簡単な組み合わせを用いて, 集合を計画する。 それは効率的で、最も重要なことは、オブジェクト検出のエラーに対して堅牢であり、実際のロボットシステムでは避けられないポーズ推定である。
  論文  参考訳（メタデータ） (2022-04-20T16:51:07Z)
• Lazy Rearrangement Planning in Confined Spaces [14.38087412920014]
  この研究は、閉じ込められた空間におけるオブジェクト再構成のための遅延評価フレームワークを導入する。 局所単調解法を改良し、一般の非単調の場合は高品質なプランナーに拡張する。 非単調なインスタンスでは、平均して1.8のアクションしか必要としない、というような高品質なソリューションを実現する。
  論文  参考訳（メタデータ） (2022-03-19T18:59:43Z)
• IFOR: Iterative Flow Minimization for Robotic Object Rearrangement [92.97142696891727]
  IFOR(Iterative Flow Minimization for Robotic Object Rearrangement)は、未知物体の物体再構成問題に対するエンドツーエンドの手法である。 本手法は,合成データのみを訓練しながら,散在するシーンや実世界に適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-01T20:03:56Z)
• Efficient and High-quality Prehensile Rearrangement in Cluttered and Confined Spaces [16.745331954312775]
  この研究は、タスク完了にそのような相互作用が不可欠であり、再配置計画における最先端の結果を拡張する問題に焦点を当てる。 モノトンインスタンスの一般的な制約の下で、各オブジェクトを最大1回移動させることで解決できる、新しい効率的で完全な解法を提案する。 新しいモノトンソルバはグローバルプランナーと統合され、高品質なソリューションで非モノトンインスタンスを高速に解決する。
  論文  参考訳（メタデータ） (2021-10-06T14:42:21Z)
• SPANet: Generalized Permutationless Set Assignment for Particle Physics using Symmetry Preserving Attention [62.43586180025247]
  大型ハドロン衝突型加速器の衝突は、観測された粒子の可変サイズの集合を生成する。 崩壊生成物の物理対称性は、観測された粒子の崩壊生成物の割り当てを複雑にする。 本稿では,対称性を保った注目ネットワークを構築するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:18:20Z)
• Objects are Different: Flexible Monocular 3D Object Detection [87.82253067302561]
  そこで本研究では,乱れたオブジェクトを明示的に分離し,オブジェクト深度推定のための複数のアプローチを適応的に組み合わせたモノクル3次元オブジェクト検出のためのフレキシブルなフレームワークを提案する。 実験の結果,本手法はkittiベンチマークテストセットにおいて,中等度レベルが27%,硬度が30%と,最先端法を27%上回った。
  論文  参考訳（メタデータ） (2021-04-06T07:01:28Z)
• SIMstack: A Generative Shape and Instance Model for Unordered Object Stacks [38.042876641457255]
  物理シミュレーションにより積み上げられた物体のデータセットに訓練された深度条件付き可変オートエンコーダ(VAE)を提案する。 インスタンスセグメンテーションは、クラスに依存しない検出を可能にし、シーン内のオブジェクトの最大数を設定する必要がないセンター投票タスクとして定式化します。 本手法は,ロボットに部分的に観察されたシーンを素早く直感的に推論する能力を与えるための実用的応用である。
  論文  参考訳（メタデータ） (2021-03-30T15:42:43Z)
• Object Rearrangement Using Learned Implicit Collision Functions [61.90305371998561]
  本研究では,シーン内の6DOFオブジェクトのポーズに対して,シーンとクエリ対象点の雲を受け付け,衝突を予測できる学習的衝突モデルを提案する。 我々は,テーブルトップ再構成タスクにおけるモデル予測経路積分(MPPI)ポリシーの一部として,学習された衝突モデルを活用する。 学習モデルは従来のパイプラインよりも優れており、シミュレーションされた衝突クエリのデータセット上では9.8%の精度で学習精度が向上している。
  論文  参考訳（メタデータ） (2020-11-21T05:36:06Z)
• Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection [184.563345153682]
  我々は、弱教師付き学習のためのインスタンス認識とコンテキスト重視の統合フレームワークを開発する。 メモリ効率の高いシーケンシャルバッチバックプロパゲーションを考案しながら、インスタンス対応の自己学習アルゴリズムと学習可能なコンクリートドロップブロックを採用している。 提案手法はCOCO(12.1% AP$、24.8% AP_50$)、VOC 2007(54.9% AP$)、VOC 2012(52.1% AP$)の最先端結果である。
  論文  参考訳（メタデータ） (2020-04-09T17:57:09Z)

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。