論文の概要: AURSAD: Universal Robot Screwdriving Anomaly Detection Dataset
- arxiv url: http://arxiv.org/abs/2102.01409v1
- Date: Tue, 2 Feb 2021 09:59:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 10:04:09.115113
- Title: AURSAD: Universal Robot Screwdriving Anomaly Detection Dataset
- Title（参考訳）: AURSAD:Universal Robot Screwdriving Anomaly Detection Dataset
- Authors: B{\l}a\.zej Leporowski, Daniella Tola, Casper Hansen and Alexandros
Iosifidis
- Abstract要約: 本報告では,UR3eシリーズロボットとOnRobot Screwdriverを用いて作成したデータセットについて述べる。
その結果得られたデータは、正常および異常なロボット動作の2042のサンプルを含んでいる。
このデータを使用した短いMLベンチマークも提供されており、さらなる分析と実験のためのデータの適合性と可能性を示している。
- 参考スコア（独自算出の注目度）: 80.6725125503521
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Screwdriving is one of the most popular industrial processes. As such, it is
increasingly common to automate that procedure by using various robots. Even
though the automation increases the efficiency of the screwdriving process, if
the process is not monitored correctly, faults may occur during operation,
which can impact the effectiveness and quality of assembly. Machine Learning
(ML) has the potential to detect those undesirable events and limit their
impact. In order to do so, first a dataset that fully describes the operation
of an industrial robot performing automated screwdriving must be available.
This report describes a dataset created using a UR3e series robot and OnRobot
Screwdriver. We create different scenarios and introduce 3 types of anomalies
to the process while all available robot and screwdriver sensors are
continuously recorded. The resulting data contains 2042 samples of normal and
anomalous robot operation. Brief ML benchmarks using this data are also
provided, showcasing the data's suitability and potential for further analysis
and experimentation.
- Abstract（参考訳）: ねじ運転は最も人気のある産業プロセスの1つです。
そのため、様々なロボットを用いてその手順を自動化することがますます一般的になっている。
自動化によってスクリュー駆動プロセスの効率が向上するが、プロセスが正しく監視されていない場合、動作中に障害が発生し、アセンブリの有効性と品質に影響を与える可能性がある。
機械学習(ML)は、望ましくない出来事を検出し、その影響を制限する可能性がある。
そのためには、まず、自動走行を行う産業用ロボットの動作を完全に記述したデータセットを入手する必要がある。
本報告では,UR3eシリーズロボットとOnRobot Screwdriverを用いて作成したデータセットについて述べる。
さまざまなシナリオを作成し、プロセスに3種類の異常を導入し、利用可能なロボットとドライバーのセンサーを継続的に記録します。
得られたデータは、正常および異常なロボット操作の2042のサンプルを含む。
このデータを使用した短いMLベンチマークも提供されており、さらなる分析と実験のためのデータの適合性と可能性を示している。
関連論文リスト
- Learning Object Properties Using Robot Proprioception via Differentiable Robot-Object Interaction [52.12746368727368]
微分可能シミュレーションは、システム識別の強力なツールとなっている。
本手法は,オブジェクト自体のデータに頼ることなく,ロボットからの情報を用いてオブジェクト特性を校正する。
低コストなロボットプラットフォームにおける本手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-10-04T20:48:38Z) - The voraus-AD Dataset for Anomaly Detection in Robot Applications [24.583911041699086]
異常検出(AD)は、異常な事象を検出するために通常のデータのみを使用して、実用的な解決策を提供する。
本稿では,ロボットアプリケーションのための異常検出手法のトレーニングとベンチマークを可能にするデータセットを提案する。
異常検出のための新しいベースライン法としてMVT-Flowを提案する。
論文 参考訳（メタデータ） (2023-11-08T15:39:27Z) - Grasping Student: semi-supervised learning for robotic manipulation [0.7282230325785884]
本研究では,ロボットとのインタラクションを伴わずに収集する製品画像を利用した半教師付き把握システムの設計を行う。
少数のロボットトレーニングサンプルの体制では、ラベルのないデータを活用することで、10倍のデータセットサイズでパフォーマンスを実現することができる。
論文 参考訳（メタデータ） (2023-03-08T09:03:11Z) - RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。
実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
論文 参考訳（メタデータ） (2022-12-13T18:55:15Z) - Sensing Anomalies as Potential Hazards: Datasets and Benchmarks [43.55994393060723]
本稿では,自律移動ロボットの視覚知覚データストリームにおいて,特異な意味パターンを検出することの問題点について考察する。
ロボット探索のシナリオで得られた3つの新しい画像ベースデータセットをコントリビュートする。
本研究では,異なるスケールで動作するオートエンコーダに基づく異常検出手法の性能について検討する。
論文 参考訳（メタデータ） (2021-10-27T18:47:06Z) - Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。
本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。
我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
論文 参考訳（メタデータ） (2021-09-19T18:00:51Z) - Detecting Faults during Automatic Screwdriving: A Dataset and Use Case
of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。
本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
論文 参考訳（メタデータ） (2021-07-05T11:46:00Z) - Learning the Noise of Failure: Intelligent System Tests for Robots [1.713291434132985]
ロボットの自動システムテストにおける故障検出のためのシミュレーションノイズ推定を提案する。
この技術は、人間が成功や失敗を評価することなく、実世界の自動テストを強化することができる。
論文 参考訳（メタデータ） (2021-02-16T11:06:45Z) - Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。
しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。
本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文 参考訳（メタデータ） (2019-12-30T01:10:41Z)
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。