論文の概要: High precision control and deep learning-based corn stand counting
algorithms for agricultural robot
- arxiv url: http://arxiv.org/abs/2103.11276v1
- Date: Sun, 21 Mar 2021 01:13:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 09:15:47.435092
- Title: High precision control and deep learning-based corn stand counting
algorithms for agricultural robot
- Title（参考訳）: 農業用ロボットの高精度制御と深層学習に基づくコーンスタンドカウントアルゴリズム
- Authors: Zhongzhong Zhang, Erkan Kayacan, Benjamin Thompson and Girish
Chowdhary
- Abstract要約: 本論文では、低コストで超小型な3Dプリントおよび自律フィールドロボットのための高精度制御と深層学習に基づくトウモロコシスタンドカウントアルゴリズムを提案する。
TerraSentiaという名前のこのロボットは、植物の形質を自動測定して表現を効率よくする。
- 参考スコア（独自算出の注目度）: 8.16286714346538
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents high precision control and deep learning-based corn stand
counting algorithms for a low-cost, ultra-compact 3D printed and autonomous
field robot for agricultural operations. Currently, plant traits, such as
emergence rate, biomass, vigor, and stand counting, are measured manually. This
is highly labor-intensive and prone to errors. The robot, termed TerraSentia,
is designed to automate the measurement of plant traits for efficient
phenotyping as an alternative to manual measurements. In this paper, we
formulate a Nonlinear Moving Horizon Estimator (NMHE) that identifies key
terrain parameters using onboard robot sensors and a learning-based Nonlinear
Model Predictive Control (NMPC) that ensures high precision path tracking in
the presence of unknown wheel-terrain interaction. Moreover, we develop a
machine vision algorithm designed to enable an ultra-compact ground robot to
count corn stands by driving through the fields autonomously. The algorithm
leverages a deep network to detect corn plants in images, and a visual tracking
model to re-identify detected objects at different time steps. We collected
data from 53 corn plots in various fields for corn plants around 14 days after
emergence (stage V3 - V4). The robot predictions have agreed well with the
ground truth with $C_{robot}=1.02 \times C_{human}-0.86$ and a correlation
coefficient $R=0.96$. The mean relative error given by the algorithm is
$-3.78\%$, and the standard deviation is $6.76\%$. These results indicate a
first and significant step towards autonomous robot-based real-time phenotyping
using low-cost, ultra-compact ground robots for corn and potentially other
crops.
- Abstract（参考訳）: 本稿では,農業用3Dプリント・自律型フィールドロボットの高精度制御と深層学習に基づくコーンスタンドカウントアルゴリズムを提案する。
現在, 出芽率, バイオマス, ビゴール, スタンドカウントなどの植物特性を手動で測定している。
これは非常に労働集約的であり、エラーを起こしやすい。
terrasentiaと呼ばれるこのロボットは、植物形質の計測を自動化し、効率的な表現型を手作業による測定の代替として設計されている。
本稿では,車載ロボットセンサと学習に基づく非線形モデル予測制御(nmpc)を用いて,未知の車輪-地平線相互作用の存在下で高精度な経路追跡を実現する非線形移動地平線推定器(nmhe)を提案する。
さらに,実地を自律走行することで,超コンパクトな地上ロボットがトウモロコシスタンドを数えるように設計された機械ビジョンアルゴリズムを開発した。
このアルゴリズムは、画像中のトウモロコシの植物を検出するディープネットワークと、検出されたオブジェクトを異なる時間ステップで識別する視覚追跡モデルを活用する。
出芽後約14日後(ステージV3 - V4)に,トウモロコシの様々な畑の53種類のトウモロコシプロットのデータを収集した。
ロボットの予測は、$c_{robot}=1.02 \times c_{human}-0.86$と相関係数$r=0.96$で一致している。
このアルゴリズムによって与えられる平均相対誤差は$-3.78\%$であり、標準偏差は$6.76\%$である。
これらの結果は、低コストで超コンパクトな地上ロボットをトウモロコシやその他の作物に応用した、自律型ロボットによるリアルタイム表現への第一歩であり、重要なステップであることを示している。
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) - Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。
我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。
感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文 参考訳（メタデータ） (2023-06-16T17:58:10Z) - Autonomous Agriculture Robot for Smart Farming [0.0]
AARは、インテリジェント・インテリジェンスを使って植物の検出と分類を行い、その特性を識別する軽量なソーラー発電ロボットである。
このロボットは、農薬の散布、殺虫剤、除草剤、その他の流体を、作物、雑草、その他の害虫などの標的に届けることができる。
論文 参考訳（メタデータ） (2022-08-02T19:38:48Z) - Robot Self-Calibration Using Actuated 3D Sensors [0.0]
本稿では,ロボットのキャリブレーションをオフラインのSLAM問題として扱う。
これにより、任意の眼深度センサのみを用いてロボットのキャリブレーションを行うことができる。
各種の3Dセンサーを装着した実ロボットに対して,システムの詳細評価を行った。
論文 参考訳（メタデータ） (2022-06-07T16:35:08Z) - Feature Disentanglement of Robot Trajectories [0.0]
分散表現学習は教師なし学習の進歩を約束するが、ロボット生成軌道では評価されていない。
3DOFロボットアームから生成された100万個のロボット軌跡のデータセット上で,3つの異方性VAEを評価した。
このデコリレーションに基づく定式化は,測度,軌道品質,地中真理潜時特徴との相関において最良であることがわかった。
論文 参考訳（メタデータ） (2021-12-06T16:52:55Z) - Intelligent Motion Planning for a Cost-effective Object Follower Mobile
Robotic System with Obstacle Avoidance [0.2062593640149623]
本稿では,ロボットビジョンと深層学習を用いて,必要な直線および角速度を求めるロボットシステムを提案する。
私たちが提案している新しい手法は、任意の種類の照明において、ユニークな色付けされた物体の位置を検出するのに正確である。
論文 参考訳（メタデータ） (2021-09-06T19:19:47Z) - Navigational Path-Planning For All-Terrain Autonomous Agricultural Robot [0.0]
本報告は農地の自律ナビゲーションのための新しいアルゴリズムの比較である。
インドの環境に特有な高解像度グリッドマップ表現について検討する。
その結果、自律的なフィールドナビゲーションとロボット経路計画の実現性にアルゴリズムが適用可能であることが証明された。
論文 参考訳（メタデータ） (2021-09-05T07:29:13Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z) - Where is my hand? Deep hand segmentation for visual self-recognition in
humanoid robots [129.46920552019247]
本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。
ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
論文 参考訳（メタデータ） (2021-02-09T10:34:32Z) - AURSAD: Universal Robot Screwdriving Anomaly Detection Dataset [80.6725125503521]
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。
論文 参考訳（メタデータ） (2021-02-02T09:59:23Z) - Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。
本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
論文 参考訳（メタデータ） (2020-11-06T07:39:08Z)
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。