Fugu-MT 論文翻訳(概要): Domestic waste detection and grasping points for robotic picking up

論文の概要: Domestic waste detection and grasping points for robotic picking up

arxiv url: http://arxiv.org/abs/2105.06825v1
Date: Fri, 14 May 2021 13:37:33 GMT
ステータス: 処理完了
システム内更新日: 2021-05-17 12:48:32.079791
Title: Domestic waste detection and grasping points for robotic picking up
Title（参考訳）: ロボットピックアップにおける国内廃棄物検出と把握ポイント
Authors: Victor De Gea and Santiago T. Puente and Pablo Gil
Abstract要約: 本稿では,位置とロボットの把握に応用したAIシステムを提案する。リサイクル戦略を改善するため, 廃棄物をグループに分類することを目的とする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper presents an AI system applied to location and robotic grasping. Experimental setup is based on a parameter study to train a deep-learning network based on Mask-RCNN to perform waste location in indoor and outdoor environment, using five different classes and generating a new waste dataset. Initially the AI system obtain the RGBD data of the environment, followed by the detection of objects using the neural network. Later, the 3D object shape is computed using the network result and the depth channel. Finally, the shape is used to compute grasping for a robot arm with a two-finger gripper. The objective is to classify the waste in groups to improve a recycling strategy.
Abstract（参考訳）: 本稿では,位置とロボットの把握に応用したAIシステムを提案する。 mask-rcnnに基づくディープラーニングネットワークをトレーニングするためのパラメータスタディに基づいて,5つの異なるクラスを使用して,屋内および屋外環境における廃棄場所を学習し,新たな廃棄物データセットを生成する。最初はaiシステムが環境のrgbdデータを取得し、続いてニューラルネットワークを使用してオブジェクトを検出する。その後、ネットワーク結果と深さチャネルを用いて3次元オブジェクト形状を算出する。最後に、この形状は2本指グリッパーでロボットアームの把持を計算するために使用される。リサイクル戦略を改善するため, 廃棄物をグループに分類することを目的とする。

関連論文リスト

Neural Scene Representation for Locomotion on Structured Terrain [56.48607865960868]
本研究では,都市環境を横断する移動ロボットの局所的な地形を再構築する学習手法を提案する。搭載されたカメラとロボットの軌道からの深度測定のストリームを用いて、ロボットの近傍の地形を推定する。ノイズ測定とカメラ配置の盲点からの大量の欠落データにもかかわらず,シーンを忠実に再構築する3次元再構成モデルを提案する。
論文参考訳（メタデータ） (2022-06-16T10:45:17Z)
Transfer Learning for Instance Segmentation of Waste Bottles using Mask R-CNN Algorithm [3.3722008527102894]
プラスチックボトルは環境に深刻な脅威をもたらす主要な汚染物質の一つである。ボトルの自動識別と分離は、プラスチック廃棄物のリサイクルを促進することができる。提案手法は,Microsoft COCOデータセット上で事前学習したMask R-CNNモデルを利用する。
論文参考訳（メタデータ） (2022-04-15T12:19:24Z)
iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文参考訳（メタデータ） (2022-04-05T15:48:39Z)
Neural RF SLAM for unsupervised positioning and mapping with channel state information [51.484516640867525]
アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
論文参考訳（メタデータ） (2022-03-15T21:32:44Z)
RandomRooms: Unsupervised Pre-training from Synthetic Shapes and Randomized Layouts for 3D Object Detection [138.2892824662943]
有望な解決策は、CADオブジェクトモデルで構成される合成データセットをよりよく利用して、実際のデータセットでの学習を促進することである。最近の3次元事前学習の研究は、合成物体から他の実世界の応用へ学習した伝達特性が失敗することを示している。本研究では,この目的を達成するためにRandomRoomsという新しい手法を提案する。
論文参考訳（メタデータ） (2021-08-17T17:56:12Z)
VR3Dense: Voxel Representation Learning for 3D Object Detection and Monocular Dense Depth Reconstruction [0.951828574518325]
3次元物体検出と単眼深層再構成ニューラルネットワークを共同トレーニングする方法を紹介します。推論中に入力、LiDARポイントクラウド、単一のRGBイメージとして取得し、オブジェクトポーズ予測と密に再構築された深度マップを生成します。物体検出は教師付き方式で訓練されるが,自己教師型と教師型の両方の損失関数を用いて深度予測ネットワークを訓練する。
論文参考訳（メタデータ） (2021-04-13T04:25:54Z)
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)
Stereo RGB and Deeper LIDAR Based Network for 3D Object Detection [40.34710686994996]
3Dオブジェクト検出は、自動運転のシナリオにおいて新たな課題となっている。以前の作業では、プロジェクションベースまたはボクセルベースのモデルを使用して3Dポイントクラウドを処理していた。本稿では,意味情報と空間情報の同時利用が可能なStereo RGBおよびDeeper LIDARフレームワークを提案する。
論文参考訳（メタデータ） (2020-06-09T11:19:24Z)
DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
LIDARデータに対する高速な1段3次元物体検出法を提案する。我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
論文参考訳（メタデータ） (2020-04-02T17:48:50Z)
A Deep Unsupervised Feature Learning Spiking Neural Network with Binarized Classification Layers for EMNIST Classification using SpykeFlow [0.0]
二成分アクティベーションを用いたスパイクタイミング依存塑性(STDP)の教師なし学習技術は、スパイク入力データから特徴を抽出するために用いられる。バランスの取れたEMNISTデータセットに対するアキュラシーは、他のアプローチと好意的に比較した。
論文参考訳（メタデータ） (2020-02-26T23:47:35Z)

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。