論文の概要: Predicting and Attending to Damaging Collisions for Placing Everyday Objects in Photo-Realistic Simulations

• arxiv url: http://arxiv.org/abs/2102.06507v1
• Date: Fri, 12 Feb 2021 13:21:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-15 13:01:51.078243
• Title: Predicting and Attending to Damaging Collisions for Placing Everyday Objects in Photo-Realistic Simulations
• Title（参考訳）: フォトリアリズムシミュレーションにおける日常物体の衝突抑制の予測と参加
• Authors: Aly Magassouba, Komei Sugiura, Angelica Nakayama, Tsubasa Hirakawa, Takayoshi Yamashita, Hironobu Fujiyoshi, Hisashi Kawai
• Abstract要約: 自由領域検出のための平面検出を用いたルールベースアプローチは, 性能不良であることを示す。 本研究では,マルチモーダル・アテンション・ブランチと自己アテンション機構を有するponnetを開発した。 本手法は,衝突の危険を可視化することができるため,利用者が危険を理解できるため便利である。
• 参考スコア（独自算出の注目度）: 27.312610846200187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Placing objects is a fundamental task for domestic service robots (DSRs). Thus, inferring the collision-risk before a placing motion is crucial for achieving the requested task. This problem is particularly challenging because it is necessary to predict what happens if an object is placed in a cluttered designated area. We show that a rule-based approach that uses plane detection, to detect free areas, performs poorly. To address this, we develop PonNet, which has multimodal attention branches and a self-attention mechanism to predict damaging collisions, based on RGBD images. Our method can visualize the risk of damaging collisions, which is convenient because it enables the user to understand the risk. For this purpose, we build and publish an original dataset that contains 12,000 photo-realistic images of specific placing areas, with daily life objects, in home environments. The experimental results show that our approach improves accuracy compared with the baseline methods.
• Abstract（参考訳）: 設置物は国内サービスロボット(DSR)の基本課題である。 したがって、要求されたタスクを達成するためには、配置運動の前に衝突リスクを推測することが不可欠です。 この問題は特に困難であり、オブジェクトが散らばった指定された領域に配置された場合に何が起こるかを予測する必要がある。 自由領域検出のための平面検出を用いたルールベースアプローチは, 性能不良であることを示す。 そこで我々は,マルチモーダルアテンションブランチと自己注意機構を備えたPonNetを開発し,RGBD画像に基づく衝突の予測を行う。 本手法は,衝突の危険を可視化することができるため,利用者が危険を理解できるため便利である。 そこで本研究では,特定の位置の12,000枚の写真実写画像と日常の生活オブジェクトとをホーム環境内に構築し,公開する。 実験結果から,本手法はベースライン法と比較して精度が向上した。

関連論文リスト

• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Unsupervised learning based object detection using Contrastive Learning [6.912349403119665]
  本研究では,教師なし・自己教師型学習を通じて,単段階物体検出装置を訓練するための画期的な手法を提案する。 我々の最先端のアプローチはラベリングプロセスに革命をもたらす可能性を秘めており、手動アノテーションに関連する時間とコストを大幅に削減する。 我々は、画像間のコントラスト学習という概念を創始し、重要な位置情報の取得を可能にした。
  論文  参考訳（メタデータ） (2024-02-21T01:44:15Z)
• STRIDE: Street View-based Environmental Feature Detection and Pedestrian Collision Prediction [1.002773173311891]
  本研究では,大規模なパノラマ画像に構築された環境検知タスクと,歩行者衝突頻度予測タスクを導入する。 本実験は,建築環境要素の物体検出と歩行者衝突頻度予測との間に有意な相関関係を示す。
  論文  参考訳（メタデータ） (2023-08-25T05:25:01Z)
• You Only Crash Once: Improved Object Detection for Real-Time, Sim-to-Real Hazardous Terrain Detection and Classification for Autonomous Planetary Landings [7.201292864036088]
  危険地を検出するための安価で効果的な方法は、視覚カメラを使用することである。 視覚的危険地形検出の伝統的な技術は、テンプレートマッチングと事前構築されたハザードマップへの登録に焦点を当てている。 深層学習に基づく視覚的危険地形検出と分類技術であるYou Only Crash Once (YOCO)を紹介した。
  論文  参考訳（メタデータ） (2023-03-08T21:11:51Z)
• To Make Yourself Invisible with Adversarial Semantic Contours [47.755808439588094]
  逆セマンティック・コンター(英: Adversarial Semantic Contour、ASC)は、物体の輪郭の前に騙されたスパース・アタックのベイズ的定式化の見積もりである。 ASCは、異なるアーキテクチャを持つ9つの近代検出器の予測を損なう可能性があることを示す。 我々は、様々なアーキテクチャを持つ物体検出器の共通弱点である輪郭について注意を払って結論付けた。
  論文  参考訳（メタデータ） (2023-03-01T07:22:39Z)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)
• Self-supervised Human Detection and Segmentation via Multi-view Consensus [116.92405645348185]
  本稿では,トレーニング中に幾何学的制約を多視点一貫性という形で組み込むマルチカメラフレームワークを提案する。 本手法は,標準ベンチマークから視覚的に外れた画像に対して,最先端の自己監視的人物検出とセグメンテーション技術に勝ることを示す。
  論文  参考訳（メタデータ） (2020-12-09T15:47:21Z)
• Self-supervised Segmentation via Background Inpainting [96.10971980098196]
  移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。 我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。 本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-11T08:34:40Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。