論文の概要: Collision-Aware Target-Driven Object Grasping in Constrained Environments

• arxiv url: http://arxiv.org/abs/2104.00776v1
• Date: Thu, 1 Apr 2021 21:44:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 00:47:38.952938
• Title: Collision-Aware Target-Driven Object Grasping in Constrained Environments
• Title（参考訳）: 制約環境下での衝突認識対象物グラフプ
• Authors: Xibai Lou, Yang Yang and Changhyun Choi
• Abstract要約: 6-DoF把握システムのための新しい衝突ウェア到達可能性予測器(CARP)を提案する。 CARPは、ポーズをつかむための衝突のない確率を推定することを学び、挑戦的な環境での把握を大幅に改善します。 シミュレーションと実世界の両方で実験した結果,本手法は新規物体の75%以上の把持率を達成した。
• 参考スコア（独自算出の注目度）: 10.934615956723672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Grasping a novel target object in constrained environments (e.g., walls, bins, and shelves) requires intensive reasoning about grasp pose reachability to avoid collisions with the surrounding structures. Typical 6-DoF robotic grasping systems rely on the prior knowledge about the environment and intensive planning computation, which is ungeneralizable and inefficient. In contrast, we propose a novel Collision-Aware Reachability Predictor (CARP) for 6-DoF grasping systems. The CARP learns to estimate the collision-free probabilities for grasp poses and significantly improves grasping in challenging environments. The deep neural networks in our approach are trained fully by self-supervision in simulation. The experiments in both simulation and the real world show that our approach achieves more than 75% grasping rate on novel objects in various surrounding structures. The ablation study demonstrates the effectiveness of the CARP, which improves the 6-DoF grasping rate by 95.7%.
• Abstract（参考訳）: 制約のある環境(壁、ビン、棚など)で新しい対象物をつかむには、周囲の構造物との衝突を避けるために、把持性に関する集中的な推論が必要である。 典型的な6-DoFロボットの把握システムは、環境に関する事前の知識と集中的な計画計算に依存している。 対照的に、6-DoFグルーピングシステムのための新しい衝突認識到達可能性予測器(CARP)を提案する。 CARPは、ポーズを把握するための衝突のない確率を推定することを学び、挑戦的な環境での把握を大幅に改善する。 我々のアプローチにおけるディープニューラルネットワークは、シミュレーションの自己スーパービジョンによって完全に訓練される。 シミュレーションと実世界の両方における実験により,様々な構造物の新規物体に対する75%以上の把持率を達成した。 アブレーション試験はCARPの有効性を示し、6-DoFグルーピング率を95.7%向上させる。

関連論文リスト

• Potential Field as Scene Affordance for Behavior Change-Based Visual Risk Object Identification [4.896236083290351]
  行動変化に基づく視覚的リスクオブジェクト識別(Visual-ROI)について検討する。 既存の手法はしばしば空間的精度と時間的一貫性に重大な制限を呈する。 本稿では,これらの課題を克服するために,バードアイビュー表現を用いた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:17:50Z)
• Safe and Efficient Path Planning under Uncertainty via Deep Collision Probability Fields [21.741354016294476]
  衝突確率の推定は、経路計画中の安全を確保するために重要である。 Deep Collision Probability Fieldsは、任意のオブジェクトの衝突確率を計算するニューラルネットワークベースのアプローチである。 本手法は, 学習段階のサンプリングにより, 衝突確率の計算集約的な推定を導出する。
  論文  参考訳（メタデータ） (2024-09-06T14:28:41Z)
• Latent Exploration for Reinforcement Learning [87.42776741119653]
  強化学習では、エージェントは環境を探索し、相互作用することでポリシーを学ぶ。 LATent TIme-Correlated Exploration (Lattice)を提案する。
  論文  参考訳（メタデータ） (2023-05-31T17:40:43Z)
• A Contextual Bandit Approach for Learning to Plan in Environments with Probabilistic Goal Configurations [20.15854546504947]
  本研究では,静的なオブジェクトだけでなく可動なオブジェクトに対しても,屋内環境を効率的に探索できるオブジェクトナビのためのモジュラーフレームワークを提案する。 我々は,不確実性に直面した場合の楽観性を示すことにより,環境を効率的に探索する。 提案アルゴリズムを2つのシミュレーション環境と実世界の環境で評価し,高いサンプル効率と信頼性を示す。
  論文  参考訳（メタデータ） (2022-11-29T15:48:54Z)
• COPILOT: Human-Environment Collision Prediction and Localization from Egocentric Videos [62.34712951567793]
  エゴセントリックな観測から人間と環境の衝突を予測する能力は、VR、AR、ウェアラブルアシストロボットなどのアプリケーションにおける衝突回避を可能にするために不可欠である。 本稿では、ボディマウントカメラから撮影した多視点エゴセントリックビデオから、多様な環境における衝突を予測するという課題を紹介する。 衝突予測と局所化を同時に行うために,COPILOTと呼ばれるトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-04T17:49:23Z)
• Physical Attack on Monocular Depth Estimation with Optimal Adversarial Patches [18.58673451901394]
  我々は学習に基づく単眼深度推定(MDE)に対する攻撃を開発する。 我々は,攻撃のステルス性と有効性を,オブジェクト指向の対角設計,感度領域の局所化,自然スタイルのカモフラージュとバランスさせる。 実験結果から,本手法は,異なる対象オブジェクトやモデルに対して,ステルス性,有効,堅牢な逆パッチを生成できることが示唆された。
  論文  参考訳（メタデータ） (2022-07-11T08:59:09Z)
• Shadows can be Dangerous: Stealthy and Effective Physical-world Adversarial Attack by Natural Phenomenon [79.33449311057088]
  我々は、非常に一般的な自然現象であるシャドーによって摂動が生じる新しい種類の光対角運動例について研究する。 我々は,シミュレーション環境と実環境の両方において,この新たな攻撃の有効性を広く評価した。
  論文  参考訳（メタデータ） (2022-03-08T02:40:18Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• Contact-GraspNet: Efficient 6-DoF Grasp Generation in Cluttered Scenes [50.303361537562715]
  6-DoFパラレルジャッジの分布を効率的に生成するエンドツーエンドネットワークを提案する。 観測された点群の6-DoF把握ポーズと幅を根付かせることで、把握表現の寸法を4-DoFに縮小することができます。 構造クラッタにおける未知物体のロボット把持実験では, 90%以上の成功率を達成し, 最近の最先端手法と比較して, 故障率を半分に削減した。
  論文  参考訳（メタデータ） (2021-03-25T20:33:29Z)
• 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)

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。